- 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。
49110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。
1.5K30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。
1.3K20编辑于 2022-08-09 - 来自专栏全栈程序员必看
机器学习之有监督学习,无监督学习,半监督学习
文章目录 前言 有监督学习 无监督学习 半监督学习 前言 机器学习是数据分析和数据挖掘的一种比较常用，比较好的手段从有无监督的角度，可以分为三类： 有监督学习 无监督学习 半监督学习 有监督学习 用已知某种或某些特性的样本作为训练集 然后最终会有一个目标值的y，如果有y，我们就称之为有监督学习，我们就要使用有监督学习进行模型的构建，实际上我们在日常的业务当中能够多使用有监督学习就多使用有监督学习，比如说在有 x 1 , x 2 , x 3 , ⋯ , x n x_1, x_2, x_3, \cdots, x_n x1,x2,x3,⋯,xn以及y的情况下就老老实实用有监督学习了，就别用无监督学习。 无监督学习 知道了有监督学习的定义了，无监督学习的定义也就出来了。在算法构建的过程中不考虑Y的值，只通过特征信息去归纳出一些新的规律出来，这个方法就称之为无监督学习。 半监督学习 看上面有监督学习和无监督学习的定义，就是一半有一半无呗 意思就是用少量的有标注的样本和大量未标注的样本进行训练和分类，这样是有监督学习和无监督学习的结合。
96011编辑于 2022-09-01 - 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。
87830发布于 2019-08-14 - 来自专栏全栈程序员必看
监督学习、无监督学习、自监督学习和强化学习
监督学习 监督学习是目前最常见的机器学习类型。给定一组样本（通常由人工标注），他可以学会将输入数据映射到已知目标。 2、语法树预测（syntax tree prediction）。给定一个句子，预测其分解生成的语法树。 3、目标检测（object detection）。 无监督学习 无监督学习是指在没有目标的情况下寻找输入数据的有趣变化，其目的在于数据可视化、数据压缩、数据去噪或更好地理解数据中的相关性。 无监督学习是数据分析的必备技能，在解决监督学习之前，它通常是一个必要步骤。降维（dimensionality reduction）和聚类（clustering）都是众所周知的无监督学习方法。 自监督学习 自监督学习是监督学习的一个特例，它与众不同，值得单独分为一类。自监督学习是没有人工标注标签的监督学习，可以将它看作没有人类参与的监督学习。
1.6K10编辑于 2022-11-04 - 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）
1.2K20发布于 2021-05-21 - 来自专栏全栈程序员必看
机器学习中的有监督学习，无监督学习，半监督学习
在机器学习(Machine learning)领域，主要有三类不同的学习方法： 监督学习(Supervised learning)、 非监督学习(Unsupervised learning)、 半监督学习 2、一个监督式学习者的任务在观察完一些训练范例（输入和预期输出）后，去预测这个函数对任何可能出现的输入的值的输出。 2）搜集训练资料。这资料须要具有真实世界的特征。所以，可以由人类专家或（机器或传感器的）测量中得到输入物件和其相对应输出。 3）决定学习函数的输入特征的表示法。 当学习完毕并经测试后，也可以将之应用到新的案例上。 2、无监督学习里典型的例子就是聚类了。聚类的目的在于把相似的东西聚在一起，而我们并不关心这一类是什么。 2、半监督学习问题从样本的角度而言是利用少量标注样本和大量未标注样本进行机器学习，从概率学习角度可理解为研究如何利用训练样本的输入边缘概率 P( x )和条件输出概率P ( y | x )的联系设计具有良好性能的分类器
14.3K31编辑于 2022-09-02 - 来自专栏全栈程序员必看
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。
87320编辑于 2022-09-02 - 来自专栏全栈程序员必看
有监督学习、无监督学习以及半监督学习详解
相信大家在开始学习机器学习的入门时，首先接触的概念就是监督学习、无监督学习以及半监督学习。在我们开始讲解之前，我们先回顾一下什么是机器学习（ML）？ 从定义中，我们可以发现： (1) 机器学习是一门人工智能的科学,该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。 (2) 机器学习是对能通过经验自动改进的计算机算法的研究。 监督学习 监督学习是从标记的训练数据来推断一个功能的机器学习任务。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，也称为监督训练或有教师学习。 生活中的应用： 1.Google新闻按照内容结构的不同分成财经，娱乐，体育等不同的标签，这就是无监督学习中的聚类。 2.根据给定基因把人群分类。 半监督学习 半监督学习(Semi-Supervised Learning，SSL)是模式识别和机器学习领域研究的重点问题，是监督学习与无监督学习相结合的一种学习方法。
3.1K20编辑于 2022-09-01 - 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。
2.1K60发布于 2018-04-17 - 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。
1.2K10编辑于 2024-10-08 - 来自专栏全栈程序员必看
监督学习和无监督学习区别
前言 机器学习分为：监督学习，无监督学习，半监督学习（也可以用hinton所说的强化学习）等。 在这里，主要理解一下监督学习和无监督学习。 监督学习的目标往往是让计算机去学习我们已经创建好的分类系统（模型）。 监督学习是训练神经网络和决策树的常见技术。 (2) 另一类是称为基于样本间相似性度量的简洁聚类方法：其原理是设法定出不同类别的核心或初始内核，然后依据样本与核心之间的相似性度量将样本聚集成不同的类别。 而非监督学习没有训练集，只有一组数据，在该组数据集内寻找规律。 2. 有监督学习的方法就是识别事物，识别的结果表现在给待识别数据加上了标签。因此训练样本集必须由带标签的样本组成。 后者从方法上讲不是学习方法。因此用K-L变换找主分量不属于无监督学习方法，即方法上不是。而通过学习逐渐找到规律性这体现了学习方法这一点。在人工神经元网络中寻找主分量的方法属于无监督学习方法。
2.2K10编辑于 2022-08-24 - 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？
1.6K50发布于 2018-02-28 - 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。
54130编辑于 2022-03-12 - 来自专栏全栈程序员必看
【机器学习笔记】有监督学习和无监督学习
有监督学习和无监督学习 （一）什么是机器学习？ （二）有监督学习 （三）无监督学习 （四）二者的区别 （五）如何在两者中选择合适的方法 （一）什么是机器学习？ 数学说明： 监督学习从训练数据集合中训练模型，再对测试据进行预测，训练数据由输入和输出对组成，通常表示为： T = { ( x 1 , y 1 ) , ( x 2 , y 2 ) , ⋯ , ( x i , y i ) } T=\left \{ \left ( x_{1},y_{1} \right ),\left ( x_{2},y_{2} \right ) ,\cdots ,\left ( x _{i},y_{i} \right )\right \} T={ (x1,y1),(x2,y2),⋯,(xi,yi)} 测试数据也由相应的输入输出对组成。 深度学习和PCA都属于无监督学习的范畴。
4K30编辑于 2022-09-01 - 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。
83530编辑于 2022-03-21 - 来自专栏全栈程序员必看
自监督学习（一）自监督学习介绍
自监督学习本质上是一种无监督学习的方法，通常会设置一个“Pretext tasks”，根据数据的一些特点，构造Pesdeo Labels来训练网络模型。 通过自监督得到的模型，可以作为其他学习任务的预训练模型，为其提供更好的训练初始区域。因此，自监督学习也可以看作是为了学习图像的通用视觉表示。 之所以自监督学习在近几年成为研究的热点，主要是数据标注的成本太高，而且深度学习的迁移性能很差。虽然现在也有很多的域适应方法，但是在实际的应用中，最好的方法还是不停的增加标注数据。 因此，自监督学习的兴起可以说是必然的。 通过预测输入图像的旋转角度训练网络，将输入图像随机旋转 0,90,180,270度，输入分类网络中，网络预测输入图像的旋转角度是0, 1，2，3。
1.4K20编辑于 2022-10-05 - 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。
14810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。
88840发布于 2018-09-26
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