- 综合排序
- 最热优先
- 最新优先
- 来自专栏趣Python
机器学习（2）细说监督学习
机器学习系列： 机器学习（1） - 人工智能起源 ---- 前面说到了监督学习是有老师教的，所以不管是啥类型的算法，只要它是监督学习，要有老师教才行。 我们把套路理一下，监督学习分三步： 1. 知识积累，就是学校里老师各种上课，各种模拟试卷，专业术语就是要准备一堆数据作为输入。 2. at last，重要的事情说3遍，无论是简单的线性模型，还是看起来复杂的神经网络模型，只是f(x)而已，理解了这一点，后面的学习就容易多了。
53410发布于 2020-05-26 - 来自专栏杨熹的专栏
强化学习第2课：强化学习，监督式学习，非监督式学习的区别
图片来源 现在让我们看一下强化学习和其他机器学习方法的对比。 在监督式学习中，我们有数据集，还有数据对应的标签。主要的任务是要让预测值尽量接近于这些标签。 监督学习还有一个很重要的特点，就是它的数据要满足独立性。这对于使用SGD等算法，需要对数据进行采样时非常重要。 而且不管我们用什么算法，都应该把所有可能的行为都探索一下，以免我们错过了一个最优的方法，甚至从来没有学习过这个方法。 强化学习另一个问题是 agent。 ---- 非监督式学习也和强化学习有很大的不同。 虽然都没有专家告诉我们答案，但是非监督式学习在做不一样的事情。 ---- 虽然说了几点强化学习和监督式学习，非监督式学习之间的区别， 但在解决实际问题时，你会发现它们会混合起来使用，比如说在强化学习中会使用一些监督式学习或非监督式学习。
1.6K30发布于 2018-12-06 - 来自专栏又见苍岚
自监督学习 —— MoCo v2
对比无监督学习最近显示出令人鼓舞的进展，例如在动量对比(MoCo)和SimCLR中。在这篇笔记中，我们通过在MoCo框架中实现SimCLR的两个设计改进来验证它们的有效性。 简介 最近关于从图像进行无监督表征学习的研究正集中在一个被称为对比学习的中心概念上。 具体可以移步参考 自监督学习 —— MoCo v1 MoCo v2 的改进思路 MoCo v2 的亮点是不需要强大的 Google TPU 加持，仅仅使用 8-GPU 就能超越 SimCLR v1 方法改进 SimCLR的两个提点的方法就是： 使用强大的数据增强策略，具体就是额外使用了 Gaussian Deblur 的策略和使用巨大的 Batch size，让自监督学习模型在训练时的每一步见到足够多的负样本 (negative samples)，这样有助于自监督学习模型学到更好的 visual representations。
1.5K20编辑于 2022-08-09 - 来自专栏佛系编程人
监督学习和非监督学习
所以这几天去接触了一点机器学习方面的知识，了解到了“ 监督学习 ”和 “ 非监督学习 ” 两个基本概念，今天我就来简单分享一下 机器学习分为两大类，一是监督学习，二是非监督学习 监督学习是指 计算机通过现有训练数据集进行建模 “是监督学习中的两种任务类型 。 回归是预测一个连续的数值或范围，而分类的结果是离散的数值 其次，在监督学习的训练数据集中一定要包含分类标签和特征变量。 标称型的结果只在有限目标集内进行取值，而数值型可以在无限的数值中进行取值 监督学习就先简单介绍到这里，接下来介绍非监督学习 非监督学习 是在没有数据训练集和标签的数据中进行分析和建立合适的模型，以便给出解决方案的方法 这样做的目的是把复杂的数据集通过非监督学习算法进行转换，使其便于理解。
1K30发布于 2019-08-14 - 来自专栏图灵技术域
监督学习与无监督学习
机器学习如果按照训练样本标签的有无可以分为以下两种常用方法。 有监督学习(supervised learning)和无监督学习(unsupervised learning)。 hilite=%27KNN%E7%AE%97%E6%B3%95%27 SVM算法：https://www.omegaxyz.com/tag/svm/ 无监督学习（或者叫非监督学习）则是另一种。 它与监督学习的不同之处，在于我们事先没有任何训练样本，而需要直接对数据进行建模。 无监督学习里典型的例子就是聚类了。 hilite=%27%E8%81%9A%E7%B1%BB%27 因此，learning家族的整体构造是这样的： 有监督学习（分类，回归） ↕ 半监督学习（分类，回归），transductive learning （分类，回归） ↕ 半监督聚类（有标签数据的标签不是确定的，类似于：肯定不是xxx，很可能是yyy） ↕ 无监督学习（聚类）
1.3K20发布于 2021-05-21 - 来自专栏海天一树
机器学习（二）：有监督学习、无监督学习和半监督学习
*举例：书的内容* 2 标签（label） 数据的标签。 *举例：书属于的类别，例如“计算机”“图形学”“英文书”“教材”等。 * 有监督学习的结果可分为两类：分类或回归。 * 四、半监督学习（semi-supervised learning） 有监督学习和无监督学习的中间带就是半监督学习（semi-supervised learning）。 对于半监督学习，其训练数据的一部分是有标签的，另一部分没有标签，而没标签数据的数量常常远远大于有标签数据数量（这也是符合现实情况的）。 2 半监督回归 半监督回归(Semi-Supervised Regression)：在无输出的输入的帮助下训练有输出的输入，获得比只用有输出的输入训练得到的回归器性能更好的回归器，其中输出取连续值。
2.2K60发布于 2018-04-17 - 来自专栏数据科学与人工智能
有监督学习和无监督学习
一般情况下，机器学习分为有监督学习和无监督学习。 有监督学习 监督学习是指数据集的正确输出（right output）已知的情况下一类学习算法。 因为输入和输出已知，意味着输入和输出之间有一个关系，监督学习算法就是要发现和总结这种“关系”。 有监督学习问题分为回归和分类问题。 例子2： 回归：根据人的照片预测图片中人的年龄。 分类：对于肿瘤患者，预测肿瘤是恶性还是良性。 思考环节： 举例说明回归问题和分类问题？ 无监督学习 无监督学习是指对无标签数据的一类学习算法。 例子2： 市场客群划分。 思考环节： 举例说明聚类算法的应用场景？
1.8K50发布于 2018-02-28 - 来自专栏学习
机器学习——自监督学习与无监督学习
``# 机器学习中的自监督学习与无监督学习 在机器学习的世界中，监督学习、无监督学习和自监督学习都是重要的学习方法。 在接下来的章节中，我们将深入讨论无监督学习和自监督学习的区别和联系，并且会通过代码实现来展示它们在真实场景中的应用。 无监督学习 无监督学习是一种让模型从未标注数据中提取有用信息的技术。 自监督学习 自监督学习是一种介于监督学习和无监督学习之间的学习方法，模型通过生成和解决预定义的辅助任务来从数据中学习特征。 (32, (3, 3), activation='relu'), layers.MaxPooling2D((2, 2)), layers.Conv2D(64, (3, 3), activation 这个模型的目标是学习如何将随机打乱的图像块恢复到正确的顺序。 自监督学习与无监督学习的区别与联系 自监督学习与无监督学习的主要区别在于数据标注的方式。
1.6K10编辑于 2024-10-08 - 来自专栏数据派THU
论文推荐：ReLICv2 ，新的自监督学习能否在ResNet 上超越监督学习？
在本文中将介绍最近一篇推动自监督学习状态向前发展的论文，该论文由 DeepMind 发表，绰号为 ReLICv2。 相比之下，自监督学习不需要任何人工创建的标签，模型自己监督自己学习。在计算机视觉中，对这种自监督进行建模的最常见方法是对图像进行不同的裁剪或对其应用不同的增强，并将修改后的输入传递给模型。 与不同数据集上的监督预训练模型相比，准确性有所提高。 在比较其他数据集上的迁移学习性能时，ReLICv2 与其他方法（如 NNCLR 和 BYOL）相比，继续表现出令人印象深刻的性能。 这进一步表明 ReLICv2 是一种新的、先进的自监督预训练方法。其他论文中不经常提到对其他数据集的评估。 ReLICv2 和 BYOL 学习簇的可视化。点越蓝，越接近对应的类簇。 通过结合对比学习目标的概率公式，并通过添加经过验证的新颖增强方案，该技术能够推动视觉自监督预训练的空间向前发展。 希望本文能让你对 ReLICv2 有一个很好的初步了解，但仍有很多东西需要发现。
91330编辑于 2022-03-21 - 来自专栏专知
【干货】监督学习与无监督学习简介
【导读】本文是一篇入门级的概念介绍文章，主要带大家了解一下监督学习和无监督学习，理解这两类机器学习算法的不同，以及偏差和方差详细阐述。 但是自然界中大多数数据都是无标签的，因此，无监督学习在未来很广泛的基础和前景。本文我们带大家一起来了解一下监督学习和无监督学习的主要内容和用途吧。 编译 | 专知 参与 | Yingying 监督学习与无监督学习 理解两类的机器学习算法的不同 ? 在机器学习领域，有两类主要的任务：监督学习和无监督学习。 另一方面，无监督学习中不存在标注过的样本输出值，因此其目标是推断一组数据样本中的内部结构。 监督学习 ? 由于没有提供标签，因此在大多数无监督学习方法中没有具体方法去比较模型性能。 无监督学习的两种常见用法是探索性分析和降维。 无监督学习在探索性分析任务中非常有用，因为它可以自动识别数据关系。
2.4K80发布于 2018-04-13 - 来自专栏DeepHub IMBA
论文推荐：ReLICv2 ，新的自监督学习能否在ResNet 上超越监督学习？
自监督 ResNets 能否在 ImageNet 上没有标签的情况下超越监督学习？ 在本文中将介绍最近一篇推动自监督学习状态向前发展的论文，该论文由 DeepMind 发表，绰号为 ReLICv2。 与不同数据集上的监督预训练模型相比，准确性有所提高。 在比较其他数据集上的迁移学习性能时，ReLICv2 与其他方法（如 NNCLR 和 BYOL）相比，继续表现出令人印象深刻的性能。 这进一步表明 ReLICv2 是一种新的、先进的自监督预训练方法。其他论文中不经常提到对其他数据集的评估。 ReLICv2 和 BYOL 学习簇的可视化。点越蓝，越接近对应的类簇。 通过结合对比学习目标的概率公式，并通过添加经过验证的新颖增强方案，该技术能够推动视觉自监督预训练的空间向前发展。 希望本文能让你对 ReLICv2 有一个很好的初步了解，但仍有很多东西需要发现。
67130编辑于 2022-03-12 - 来自专栏人工智能
浅谈数据挖掘中的监督学习，半监督学习和无监督学习
数据挖掘中的无监督学习无监督学习是机器学习中另一种常见的学习方式，它与监督学习的主要区别在于数据没有标签。在无监督学习中，计算机需要自行从数据中发现规律和结构，而不是依赖于人类提供的标签。 通过无监督学习，系统可以发现哪些顾客更可能购买哪些商品，这对于个性化推荐非常有帮助。数据挖掘中的半监督学习半监督学习是一种介于监督学习和无监督学习之间的方法。 半监督学习结合了监督学习和无监督学习的优点，减少了对大量标注数据的需求，同时又比纯无监督学习能得到更有指导性的结果。这种方法适用于数据中只有少部分有标签的情况。 太长不看版监督学习、无监督学习和半监督学习是机器学习中三种重要的学习方法，它们各自有着独特的适用场景和优势。 监督学习更像是有老师指导的学习，无监督学习则是自主探索，而半监督学习则结合了两者的优点，能够在较低的成本下获得较好的学习效果。
41510编辑于 2026-03-07 - 来自专栏程序员小何同学
Machine Learning学习——定义、监督学习和无监督学习
Part One 监督学习： 利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练，该过程中有指导者。对于给出的数据集中的每个样本有相应的“正确答案”。 当然了，预测的特征也是有很多 无监督学习 无监督学习的数据集和监督学习的不同，没任何标签，也就是没有“正确的输出结果”。在此过程中没有指导者，只有计算机自己学习。 从数据集中可以通过非监督学习得到数据的某种结构，可能是把数据分成两个不同的聚集簇，称为聚类算法。 但是需要分析和解析数据问题，所以就涉及无监督学习问题。 参考部分： 吴恩达-机器学习 《机器学习导论 第2版》Ethem Alpaydin 以上内容属于个人学习笔记以及书籍阅读之后增加的理解。如有不妥的内容，请大家指出，谢谢。
1K40发布于 2018-09-26 - 来自专栏SuperFeng
机器学习系列 1：监督学习和无监督学习
机器学习算法分为两大类，监督学习（Supervised learning）和无监督学习（Unsupervised learning）。 监督学习 目的：在监督学习中，我们会知道一些数据集（输入），并且知道他们的答案（输出），其中输入输出的关系就是监督学习想要得到的结果。 ? 该图中 h 就是监督学习想要得到的结果。 监督学习又分为两类，「回归问题」和「分类问题」。那么「回归问题」是什么呢？ 无监督学习 目的：在一堆数据集中，通过他们内在的关系将他们划分成几类。 还记得前面提到过的监督学习吗？ 在监督学习中，你一开始就知道一些数据和他们的结果，但是不同于监督学习，无监督学习开始只知道这些数据，并不知道他们会得出什么样的结果。
1.1K20发布于 2019-09-26 - 来自专栏小小挖掘机
比监督学习做的更好：半监督学习
---- 作者：Andre Ye 编译：ronghuaiyang 导读 为什么半监督学习是机器学习的未来。 ? 监督学习是人工智能领域的第一种学习类型。 半监督学习可以在标准的任务中实现SOTA的效果，只需要一小部分的有标记数据 —— 数百个训练样本。 在这个我们对半监督学习的探索中，我们会有： 半监督学习简介。 用例和机器学习的未来。为什么半监督学习会有如此大的需求，哪里可以应用。 半监督学习介绍 半监督学习算法代表了监督和非监督算法的中间地带。 半监督学习允许我们操作这些类型的数据集，而不必在选择监督学习或非监督学习时做出权衡。 -直觉解释-革命概念-2f962c858b95)架构的一个变体，用于解决半监督学习问题。
1.5K40发布于 2020-12-08 - 来自专栏Gaussic
Machine Learning笔记（一） 监督学习、非监督学习
Machine Learning笔记（一） 监督学习、非监督学习 注：本文内容资源来自 Andrew Ng 在 Coursera上的 Machine Learning 课程，在此向 Andrew 假设你想买一栋 750 feet2 的房子，而在其他方面没有太大的要求，现已收集了许多房屋的尺寸极其对应的价格的信息，如图所示： ? 如果你想买一个750 feet2 的房子，大概要多少钱呢？ 不幸的是，750 feet2 的房子原来要 $220,000。 在这里，就要讲到两个概念： 监督学习（Supervised Learning） 对于给定的样例输入，都有特定的输出。 二、非监督学习（Unsupervised Learning） 在上面监督学习中，对于给定的输入，都有特定的输出，如下图所示。我们可以明确的看出，哪个样例输出是 O ，哪个样例输出是 X ： ? 这一问题要由非监督学习方法来解决。 非监督学习 对于给定的样例，输出并不明确。换句话说，并不在你的掌控之中。 对于一堆混杂的数据，如何利用有效的方法，分出几个类来。
54610发布于 2018-08-17 - 来自专栏算法之名
半监督学习
此时我们可以使用有监督的学习来看一下结果，再使用10%的有标注的数据集结合剩下90%的未标注的数据来使用半监督学习的方法，我们希望半监督学习的方法也能达到有监督学习的水平。 比如说，x1和x2比较接近，x1的后验概率是0.9和0.1，明显它是分成第一个类0.9的。x2有两组输出，一个是0.85和0.15，另一个是0.55和0.45。 ；L指损失函数；G是生成器，半监督学习可以用到生成式模型；D是判别器；C是分类器；H是熵，一般指交叉熵；E是期望；R是正则项，半监督学习中一般指一致性正则，当然半监督学习也可以使用传统的L1和L2正则； 因为半监督学习有少量的有标签的数据，那么第一部分就是这些有标签数据的loss;当然还有大量的未标注的数据，第二部分就是这些未标注数据的loss；第三部分可以用L1、L2正则，也可以是一致性正则。 半监督学习实施方法 半监督学习模型可以分为五大方法，第一个是生成式模型，第二个是一致性损失正则，第三个是图神经网络，第四个是伪标签的方法，第五个是混合方法。
1.2K20编辑于 2022-09-02 - 来自专栏AI科技大本营的专栏
机器如何学习？5分钟弄懂监督学习、无监督学习、半监督学习与强化学习
请在微信对话中回复“机器学习”即可获得本文涉及的论文资源包。 好了，5分钟时间，轻松学习到底什么是监督学习，无监督学习，半监督学习，以及强化学习，enjoy！ 作者 | Frank Chen 翻译 | 智子 整理 | AI100(ID：rgznai100) 读懂机器学习的四大方法 根据训练方法的不同，机器学习可以分为四类： 监督学习 无监督学习 半监督学习 强化学习 对于数学相关的问题，可以看看斯坦福大学的深度学习教程，它涵盖了监督学习和无监督学习，且附有代码实例。 ? /chap2.html 第三步：验证 至此，第一组中的数据已经全部用完。 因此和监督学习相比，半监督学习的成本较低，但是又能达到较高的准确度。
2.7K81发布于 2018-04-26 - 来自专栏网络技术联盟站
AI人工智能机器学习的类型：监督学习、无监督学习、半监督学习、增强学习和深度学习
机器学习技术的应用范围非常广泛，包括自然语言处理、图像识别、自动驾驶等领域。本文将详细介绍机器学习的类型。图片监督学习监督学习是最常见的机器学习类型之一。 监督学习的应用场景非常广泛，例如垃圾邮件过滤、语音识别、图像分类等。无监督学习相比于监督学习，无监督学习并不需要使用带有标签的数据进行学习。 在无监督学习中，计算机会分析数据集中的模式和关系，从而找到数据的结构和规律。无监督学习的应用场景包括聚类分析、异常检测、数据降维等。半监督学习半监督学习介于监督学习和无监督学习之间。 在半监督学习中，一部分数据是带有标签的，而另一部分数据是没有标签的。计算机会使用带有标签的数据进行学习，然后将这些知识应用于没有标签的数据。半监督学习的应用场景包括图像分割、文本分类等。 深度学习的应用场景包括语音识别、图像分类、自然语言处理等。总结本文介绍了机器学习的五种类型：监督学习、无监督学习、半监督学习、增强学习和深度学习。
4.9K00编辑于 2023-05-15 - 来自专栏学习
【机器学习】--- 自监督学习
在监督学习和无监督学习之外，自监督学习（Self-Supervised Learning, SSL）作为一种新兴的学习范式，逐渐成为机器学习研究的热门话题之一。 本篇博客将详细介绍自监督学习的核心思想、常见的自监督学习方法及其在实际任务中的应用。我们还将通过具体的代码示例来加深对自监督学习的理解。 2. 2.1 自监督学习与监督学习的区别 在监督学习中，模型的训练需要依赖大量的人工标注数据，而无监督学习则没有明确的标签。自监督学习介于两者之间，它通过从未标注的数据中创建监督信号，完成预训练任务。 通常，自监督学习的流程可以分为两步： 预训练：利用自监督任务对模型进行预训练，使模型学习到数据的有效表示。 微调：将预训练的模型应用到具体任务中，通常需要进行一些监督学习的微调。 自监督学习的常见方法 在自监督学习中，研究者设计了多种预训练任务来提升模型的学习效果。以下是几种常见的自监督学习方法。
67810编辑于 2024-09-23
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号