无监督，有监督和半监督学习

在机器学习的背景下，两者之间有什么区别

• 无监督学习
• 监督学习和
• 半监督学习？

还有哪些主要的算法方法需要研究？

通常，机器学习的问题可以被认为是用于分类，预测或建模的功能估计的变化。

在监督学习中，有人配备了输入（$x_1$，$x_2$，...，）和输出（$y_1$，$y_2$，...，），并面临寻找以通用方式近似这种行为的功能的挑战。输出可以是类标签（分类）或实数（回归）-这些是监督学习中的“监督”。

在无监督学习的情况下，在基本情况下，您会收到$x_1$，$x_2$，...的输入，但是既没有目标输出，也没有提供来自其环境的奖励。根据问题（分类或预测）和您对采样空间的背景知识，您可以使用各种方法：密度估计（估计一些潜在的PDF以进行预测），k均值聚类（对未标记的实值数据进行分类），k-模式聚类（对未标记的分类数据进行分类）等

半监督学习涉及对标记和未标记数据进行功能估计。这种方法的动机是这样的事实，即标记数据的生成通常会很昂贵，而未标记数据通常不会。这里的挑战主要涉及技术问题，即如何处理以这种方式混合的数据。有关半监督学习方法的更多详细信息，请参见此半监督学习文献调查。

除了这些学习之外，还有其他一些学习，例如强化学习，其中学习方法通​​过产生动作$a_1$，$a_2$，...来与其环境相互作用。。..产生奖赏或惩罚$r_1$，$r_2$，...

无监督学习

无监督学习是指您没有可用于培训的标记数据。这样的例子通常是聚类方法。

监督学习

在这种情况下，您的训练数据不存在于标记数据中。您在此处解决的问题通常是预测没有标签的数据点的标签。

半监督学习

在这种情况下，将同时使用标记数据和未标记数据。例如，这可以在深度信任网络中使用，其中某些层正在学习数据的结构（无监督），而一层用于进行分类（受监督的数据训练）

我不认为有监督/无监督是思考的最佳方法。对于基本数据挖掘，最好考虑一下您要做什么。有四个主要任务：

1. 预测。如果您预测的是实数，则称为回归。如果您要预测整数或类别，则称为分类。

2. 造型。建模与预测相同，但是模型可以被人类理解。神经网络和支持向量机可以很好地工作，但是不能产生可理解的模型[1]。决策树和经典线性回归是易于理解的模型。

3. 相似。如果您要查找自然的属性组，则称为因子分析。如果您要查找自然的观察组，则称为聚类。

4. 协会。它很像相关性，但适用于庞大的二进制数据集。

[1]显然，高盛（Goldman Sachs）创建了许多伟大的神经网络来进行预测，但是没人能理解它们，因此他们不得不编写其他程序来尝试解释神经网络。