监督学习VS无监督学习

监督学习和无监督学习，在机器学习与深度学习领域中经常提到，为了防止混淆，也为了加强理解，下边主要是一些概念和一个实例。

一、监督学习和无监督学习——划分依据

监督学习、非监督学习和强化学习描述了机器处理和利用数据学习的三种不同手段，根据不同的数据和任务人们采用不同的学习方式来从数据中凝练出知识，从而在生产生活中帮助人类。

二、监督学习

我们有确定的输入数据集，输出数据集，然后之间有一个建立的模型（我们对模型的训练要求是模型可以准确的完成输入到输出的预测。）
监督学习又可以分为：分类问题（主要是预测这一样本所属类别）和回归问题（主要预测某一变量的真实值）。

三、无监督学习

没有确定的输出。
神经网络自动提取特征。
一般有：聚类和异常检测。

四、怎么选择监督学习和无监督学习

（1）评估数据。标记与否？是否有专家知识支持附加标记？这将有助于确定是否应使用监督、无监督、半监督或强化的学习方法。
（2）审查可用的算法，其可能适合维度问题（特征、属性或特征的数量）。候选算法应适合于整个数据量以及其结构。
（3）研究成功案例，关于类似问题上应用的算法类型。
（4）定义目标。被定义的问题是否反复出现？是否期望算法能预测新的问题？

五、机器学习和深度学习

（1）机器学习是指计算机的算法能够像人一样，从数据中找到信息，从而学习一些规律。
虽然深度学习是机器学习的一种，但深度学习是利用深度的神经网络，将模型处理得更为复杂，从而使模型对数据的理解更加深入。
（2）深度学习是机器学习中一种基于对数据进行表征学习的方法。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。
（3）同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分。不同的学习框架下建立的学习模型很是不同。

六、用实例来理解概念

一个入侵检测系统，可以有多少种办法来构建呢。下边是一个实例，也可以更清楚的理解一些概念结构。