机器学习--监督模式和非监督模式

监督学习
理解：让计算机学习我们已经建立好的系统。例如训练神经网络和决策树都需要监督学习来完成。简单的说比如购物，可选项是价格是否能接受，这个产品对自己是否有好处等等一些。
无监督学习
理解：不告诉计算机怎么去完成，让计算机自己去学习怎样做一些事情。非监督学习一般有两种思路。

第一种思路是在指导Agent时不为其指定明确的分类，而是在成功时采用某种形式的激励制度。需要注意的是，这类训练通常会置于决策问题的框架里，因为它的目标不是产生一个分类系统，而是做出最大回报的决定。

一种次要的非监督学习类型称之为聚合（原文为clustering，译者注）。这类学习类型的目标不是让效用函数最大化，而是找到训练数据中的近似点。聚合常常能发现那些与假设匹配的相当好的直观分类。例如，基于人口统计的聚合个体可能会在一个群体中形成一个富有的聚合，以及其他的贫穷的聚合。

半监督学习
理解：半监督学习有两个样本集,一个有标记,一个没有标记， 两者都使用,我们希望在1中加入无标记样本,增强有监督分类的效果;同样的,我们希望在2中加入有标记样本,增强无监督聚类的效果。
—–摘自http://blog.csdn.net/yhdzw/article/details/22733371

通俗的说就是 是否上培训机构学习，去了就是利用已有教学模式学习，不去就是无监督学习，自己进行摸索。通过对工作是否有用来判断是否选择正确的学习模式。