监督学习，半监督学习和无监督学习

监督学习和无监督学习的通俗理解

假如有一堆白菜和萝卜混在一起组成的蔬菜，需要设计一个机器对这堆蔬菜按白菜和萝卜分类，但是这个机器现在并不知道他们是什么样的，所以我们首先要拿一堆白菜和萝卜的照片，告诉机器他们分别长什么样；经过训练后，机器已经能够准确的照片中蔬菜类别做出判断，并且对他们的特征形成自己的定义；之后我们让机器对蔬菜进行分类，然后基本准确的按类别分开。这就是一个监督学习的过程。

相反，没有拿白菜和萝卜的照片对机器进行系统训练，机器并不知道他们长什么样，而是直接对蔬菜分类，由机器自己总结出白菜和萝卜的特征。这就是一个无监督学习的过程。

---

监督学习

定义：提供一组数据和其对应的标签数据，然后搭建模型，让模型通过训练准确找到输入数据和标签数据之间的最优映射关系，再输入新的数据后，模型通过之前学到的最优映射关系，快速的预测出这组新数据的对应标签。

实际问题应用：

1.回归问题（根据房屋面积，预测房屋价格）

2.分类问题（图像分类，肿瘤分类）

---

半监督学习

定义：让学习器不依赖外界交互、自动的利用未标记样本来提升学习性能，就是半监督学习。因为深度学习中需要大数据样本的支持，然而标注样本本身就是一个很困难的问题。例如全部标记出医学影像中的病灶也是不太现实的。一般分为纯半监督学习和直推学习。

直推学习，纯半监督学习

---

无监督学习

定义：提供一组没有任何标签的输入数据，对搭建好的模型进行训练，对训练不做任何干涉，最后由模型得到的数据之间的映射关系，然后对一组新的输入数据进行训练，得到需求结果。这就是一个无监督学习的过程。

实际问题应用：

1.聚类问题,

2.AlphaGo

3.推荐问题，降维问题。

---

总结

1.有监督学习需要对对数据处理，但会更符合设计者的需求。

2.无监督学习更有创造性，得到意想不到的数据之间的映射关系，但也有可能向不好的方向发展。其实无监督学习更符合人工智能的设想要求。

3.不过有些时候也可以折中，比如半监督学习和弱监督学习也能取得不错的效果。