监督学习与非监督学习

原址

出于对ml的兴趣，最近开始了对ml的学习，正在跟着 coursera学习ml的基础知识，在这里做一个笔记。 
    监督学习和非监督学习是两个基础的概念，但个人感觉并不是很简单，总有些容易混淆的感觉。

监督学习：

• 监督学习从训练数据集合中学习模型，对测试数据进行预测。
• 监督学习的目的在于学习一个由输入到输出的映射，即找到这样一个模型（又称为假设hypothesis）属于由输入空间到输出空间的映射的集合。
• 而监督学习 又有回归和分类两种，回归即是一种连续变量的预测，而分类是离散变量的预测，简单来说就是分类可以分为具体的类别而回归则不能。

无监督学习：

• 无监督式学习是人工智能网络的一种算法，其目的是去对原始资料进行分类，以便了解资料内部结构。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。当学习完毕并经测试后，也可以将之应用到新的案例上。
• 无监督学习里典型的例子就是聚类。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。因此，一个聚类算法通常只需要知道如何计算相似度就可以开始工作了。

我个人理解监督学习和无监督学习的差别： 
    监督学习有一个样本训练的过程，要用大量的样本对模型进行训练才能使模型越来越优，这就像我们小时候认识周围的事物一样，家长告诉我们这是房子、这是猪、这是鸟，并不停用各种样本来充实我们对房子、猪、鸟的概念，后来就可以自己把看到的东西跟之前识别过的东西进行对比，识别出哪些是什么东西； 
    无监督学习开始并没有具体分类是哪些是什么，而是通过我们编写的函数让机器能识别出哪些是一类，哪些是另一类，而并不知道具体类别的名字，目前我对于这个概念的理解是，这就像是在找不同，一个小孩子并不知道猫和狗两个物种，但是他可以通过眼睛看到他们的各种不同特征，从而分辨出是两种物种，下次他就会用同样的方法来观察猫和狗，这种观察的方法就是一个函数，并通过不断比较来优化这一函数，从而达到准确识别的目的。