- 综合排序
- 最热优先
- 最新优先
- 来自专栏#大模型热点基础知识
什么是远程监督？怎么自动生成训练数据？
远程监督（DistantSupervision）就是解决这个问题的利器。 二、什么是远程监督远程监督是一种利用已有知识库自动生成标注数据的方法，主要用于关系抽取任务。 举个具体例子：知识库中有三元组：(乔布斯,创始人,苹果公司)远程监督会自动将所有同时包含"乔布斯"和"苹果公司"的句子标注为"创始人"关系的训练样本与传统监督学习的区别特点传统监督学习远程监督标注方式人工逐句精确标注基于知识库自动对齐数据质量标签准确无误存在噪声 （错误标签）数据规模受限于标注成本可快速生成大规模数据监督类型完全监督弱监督学习的一种远程监督本质上是用标注精度换取数据规模，适合需要大量训练数据但标注资源有限的场景。 未来发展方向包括：与主动学习结合：先用远程监督快速启动，再用主动学习精准标注高价值样本联合建模：让实体识别和关系抽取互相增强，减少错误传导跨语言扩展：利用多语言知识库，生成多语言训练数据六、总结与思考远程监督是弱监督学习的经典范式
11910编辑于 2026-03-31 - 来自专栏小程序知识库
这款工具，可以解决远程办公的过程监督和合规管理！
疫情当前，企业纷纷选择远程在线办公，减少员工聚集，避免病毒传播。那么远程条件下： 该如何保证员工间的高效协作？ 如何保证员工跟进客户的及时性？ 如何准确管理考核员工绩效？ 企业微信提供多项能力协助企业办公及管理，会议，打卡等，以及内部群消息触达情况清晰明了；外部企业微信是支持员工用企业认证身份添加客户微信，线上可通过单聊、百人群聊等形式触达客户，能很好解决客户实时跟进问题，利用企业微信分析、统计、监督跟进客户情况 会话存档功能 合规监管客户对接情况 对接企业微信的会话内容存档接口，为企业提供数据解析和结构化呈现服务，实现企业对员工聊天记录的可查、可控，监督员工在家值班对接客户情况。 还在担心远程办公客户信息容易被员工谎报吗？ 还在担心员工在家办公工作量无法统计吗？ 还在担心沟通效率较低，客户对接转化率较低吗？ ...... 那还不用企业微信进行管理？
78320发布于 2020-07-23 - 来自专栏datartisan
无监督or有监督？
无监督数据挖掘算法和有监督数据挖掘算法的主要区别在于数据集的标签信息。 有监督数据挖掘算法： 1. 特点：有监督数据挖掘算法适用于已知数据集的输入和输出关系的情况。 2. 无监督数据挖掘算法： 1. 特点：无监督数据挖掘算法适用于没有标签信息的情况。算法的主要目标是发现数据内部的结构和规律，而不是建立输入和输出之间的映射关系。 2. 过程：无监督算法通过聚类、降维、关联规则挖掘等方法，对数据进行内部组织，从而找出数据之间的关联性或相似性。 3. 总结： 有监督数据挖掘算法关注于建立输入和输出之间的映射关系，用于预测未知数据的输出。而无监督数据挖掘算法关注于发现数据内部的结构和规律，用于挖掘数据之间的关联性或相似性。
41610编辑于 2023-10-29 - 来自专栏3D视觉从入门到精通
监督，弱监督，无监督还是半监督？
由此，点云分割模型便出现了各种各样的训练范式，主要包括有监督、弱监督、无监督以及半监督。那么哪种训练方法才是最优的？显然这个问题在不同场景下有不同的答案。 半监督算法 全监督和弱监督都要求对每帧点云都进行标注，只是弱监督标注的少，无监督不需要标注。那么半监督呢？这里半监督指的是，一部分的点云需要进行标注，另外一部分不需要任何标注。 总结一下，半监督算法其实同时结合了弱监督和监督的优点。弱监督虽然标注的简单了，但本质上还是需要对每帧数据都进行标注，这个工程量也非常大。 结论 本文首先介绍了点云分割相较于图像分割的优势，然后阐述了一些点云分割必备的基础知识，最后分别探讨了全监督、弱监督、无监督、半监督点云分割算法的网络架构和基本原理。 其中，全监督算法精度最高，但要求的数据量和标签也很大。无监督往往是依靠环境中的某种特殊假设进行训练，在特殊场景下会非常高效。弱监督和半监督在很少的数据标注条件下，达到了和全监督几乎相当的精度。
1.6K40编辑于 2023-04-29 - 来自专栏AI科技大本营的专栏
关系抽取论文整理，核方法、远程监督的重点都在这里
远程监督 阅读： 远程监督关系抽取论文总结https://zhuanlan.zhihu.com/p/39885744 多示例多标签学习http://palm.seu.edu.cn/zhangml/files 在文章中，作者发现基于连续组块的句法特征有较好的表现，有助于远程监督的信息提取。作者使用的是连接特征的办法（词汇句法特征连接起来，没有独立使用，【得益于大样本】）。 优点：可以使用大的数据集，不会过拟合，且相比于无监督学习，得到的关系是确定的。 问题：第一个是假设过于肯定，有时候两个实体一起出现，但并没有表达知识库定义的关系。 2、Multi-instance Multi-label Learning for Relation Extraction 这篇文章主要是解决远程监督论文所提到的第一个问题。 最初解决办法是同远程监督一般，自行构造负样本，但效果不好（对于不同负样本鲁棒性低，而且学习成本变高），所以使用了BPR方法。
1.4K10发布于 2020-02-24 - 来自专栏睡前机器学习
监督来袭
今天聊聊监督。 “监督”是机器学习里一个很重要的概念，像是一座高耸入云的山峰，将机器学习这一门学科分出了两个泾渭分明的门派：有监督学习(supervised learning)和无监督学习(unsupervised learning 这就要从什么是监督说起。 监督这个词不算太生僻，给人的形象大约就是不近人情的中年人，啤酒肚，地中海，叉着这个手站你后边，面带批判地专等着你犯错好找茬吼你。 总之，形象不太好，不过，似乎又确实包含有机器学习里的“监督”的几个要素。 那么，机器学习里的监督到底是什么呢？ 直白点说就是对答案。这里包含了两个要素，一是得有一份答案，二是比对。谁和谁比对？ 有答案的机器学习就是有监督学习，而有监督学习的整个过程不干别的，就是不断缩小偏差，这就是机器学习的所谓“学习”，也成为拟合。
24210编辑于 2022-04-11 - 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。
88430发布于 2019-08-14 - 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 , 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。 有监督学习和无监督学习的区别就是一个有y，一个没有y。这是最简单的记忆方式。 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。
96911编辑于 2022-09-01 - 来自专栏点点GIS
监督分类
概述 监督分类，又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。 遥感影像的监督分类一般包括以下6个步骤，如下图所示： ? 目前ENVI的监督分类可分为基于传统统计分析学的，包括平行六面体、最小距离、马氏距离、最大似然，基于神经网络的，基于模式识别，包括支持向量机、模糊分类等，针对高光谱有波谱角（SAM），光谱信息散度，二进制编码
1.6K30发布于 2021-08-18 - 来自专栏常用算法专栏
监督、半监督、无监督和强化学习简介-AI快速进阶系列
它由四大技术家族组成： 监督学习 半监督学习 无监督学习 强化学习 在本文中，我们将探讨机器学习的目的以及何时应该使用特定技术。因此，我们将根据简单的示例了解它们的工作原理。 2. 监督学习 监督学习是一种由向机器学习模型提供标记数据组成的技术。标记的数据集通常是从经验中收集的数据，也称为经验数据。此外，数据通常需要准备以提高其质量、填补其空白或只是针对训练进行优化。 无监督学习 与监督学习相比，无监督学习包括处理未标记的数据。事实上，这些用例中的标签通常很难获得。例如，没有足够的数据知识或标签太昂贵。 此外，缺乏标签使得很难为经过训练的模型设定目标。 半监督学习 与监督和无监督学习类似，半监督学习包括使用数据集。 然而，半监督学习中的数据集分为两部分：标记部分和未标记部分。当标记数据或收集标记数据太难或太昂贵时，通常使用此技术。
52221编辑于 2025-04-05 - 来自专栏图灵技术域
监督学习与无监督学习
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
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）？ 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。 可以这么说，比起监督学习，无监督学习更像是自学，让机器学会自己做事情，是没有标签（label）的。 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。 半监督学习使用大量的未标记数据，以及同时使用标记数据，来进行模式识别工作。当使用半监督学习时，将会要求尽量少的人员来从事工作，同时，又能够带来比较高的准确性，因此，半监督学习正越来越受到人们的重视。
3.1K20编辑于 2022-09-01 - 来自专栏生信小驿站
监督式和非监督式机器学习算法
监督式机器学习 实际应用中的机器学习在大部分情况下我们都会使用监督式学习。 非监督式学习的目标是对数据中潜在的结构和分布建模，以便对数据作更进一步的学习。 这种学习方式就称为非监督式学习，因为其和监督式学习不同，对于学习并没有确切的答案和学习过程也没有教师监督。 半监督式学习问题介于监督式和非监督式学习之间。 总结 从本文你可以了解到监督式,非监督式和半监督式学习的不同之处。 ，是一种监督式和非监督式学习的手段都可以使用的学习方法。
69820发布于 2018-08-27 - 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。 一般来说，近年来过度关注的深度学习应用几乎都属于监督学习，比如光学字符识别、语音识别、图像分类和语言翻译。 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。 非监督学习方法在寻找数据集中的规律性，这种规律性并不一定要达到划分数据集的目的，也就是说不一定要“分类”。 这一点是比有监督学习方法的用途要广。 何时采用哪种方法 简单的方法就是从定义入手，有训练样本则考虑采用监督学习方法；无训练样本，则一定不能用监督学习方法。 对于不同的场景，正负样本的分布如果会存在偏移（可能大的偏移，可能比较小），这样的话，监督学习的效果可能就不如用非监督学习了。
2.2K10编辑于 2022-08-24 - 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
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）。 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。 3 半监督聚类 半监督聚类(Semi-Supervised Clustering)：在有类标签的样本的信息帮助下获得比只用无类标签的样例得到的结果更好的簇，提高聚类方法的精度。 4 半监督降维 半监督降维(Semi-Supervised Dimensionality Reduction)：在有类标签的样本的信息帮助下找到高维输入数据的低维结构，同时保持原始高维数据和成对约束
87820编辑于 2022-09-02 - 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 非监督学习：直接对输入数据集进行建模，例如聚类。 半监督学习：综合利用有类标的数据和没有类标的数据，来生成合适的分类函数。 有别于监督式学习网络，无监督式学习网络在学习时并不知道其分类结果是否正确，亦即没有受到监督式增强(告诉它何种学习是正确的)。其特点是仅对此种网络提供输入范例，而它会自动从这些范例中找出其潜在类别规则。 三、半监督学习 1、半监督学习的基本思想是利用数据分布上的模型假设, 建立学习器对未标签样本进行标签。 半监督学习就是在样本集S 上寻找最优的学习器。如何综合利用已标签样例和未标签样例,是半监督学习需要解决的问题。
14.3K31编辑于 2022-09-02 - 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。 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。因为没有标签信息，意味着需要从数据集中发现和总结模式或者结构。 我们基于数据中的变量之间关系利用聚类算法发现这种内在模式或者结构。
1.6K50发布于 2018-02-28 - 来自专栏点点GIS
非监督分类
非监督分类的概念： 非监督分类，又称“聚类分析或者点群分析”。在多光谱图像中搜寻、定义其自然相似光谱集群的过程。 打开非监督分类对话框IsoData 或者 K‐Means。这里选择 IsoData， ? 参数设置如下 ? 结果如下 ? 类别定义/类别合并 执行非监督分类之后，获得了一个初步的分类结果，需要进行类别定义和合并子类的操作。 类别定义（修改颜色和图层名称） ? ? ? 在选择非监督分类类别数量时候，一般选择最终结果数量的2~3倍，因此在定义类别之后，需要将相同类别合并。
83320发布于 2021-08-18 - 来自专栏全栈程序员必看
自监督学习（一）自监督学习介绍
自监督学习介绍 Overview What is Self-Supervised Learning? Why is Self-Supervised Learning? 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。 因此，自监督学习的兴起可以说是必然的。 但是自监督方法的潜力还是很大的，针对深度学习的下一阶段的研究，如何减少对于大量标注数据的依赖，是一个很重要的方向。
1.4K20编辑于 2022-10-05
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