-
監督學習(Supervised Learning)
在監督學習中，給定一組數據，我們知道正確的輸出結果應該是什麼樣子，並且知道在輸入和輸出之間有着一個特定的關係。這麼說可能理解起來不是很清晰，沒關係，後面有具體的例子。
-
監督學習的分類
監督學習可分爲“迴歸”和“分類”問題。
在迴歸問題中，我們會預測一個連續值。也就是說我們試圖將輸入變量和輸出用一個連續函數對應起來；而在分類問題中，我們會預測一個離散值，我們試圖將輸入變量與離散的類別對應起來。
下面舉兩個例子，就會非常清楚這幾個概念了。
-
監督學習舉例
-
迴歸
通過房地產市場的數據，預測一個給定面積的房屋的價格就是一個迴歸問題。這裏我們可以把價格看成是面積的函數，它是一個連續的輸出值。 但是，當把上面的問題改爲“預測一個給定面積的房屋的價格是否比一個特定的價格高或者低”的時候，這就變成了一個分類問題, 因爲此時的輸出是‘高’或者‘低’兩個離散的值。
-
分類
給定醫學數據，通過腫瘤的大小來預測該腫瘤是惡性瘤還是良性瘤(課程中給的是乳腺癌的例子)，這就是一個分類問題，它的輸出是0或者1兩個離散的值。(0代表良性，1代表惡性)。
分類問題的輸出可以多於兩個，比如在該例子中可以有{0,1,2,3}四種輸出，分別對應{良性, 第一類腫瘤, 第二類腫瘤, 第三類腫瘤}。
下圖中上下兩個圖只是兩種畫法。第一個是有兩個軸，Y軸表示是否是惡性瘤，X軸表示瘤的大小; 第二個是隻用一個軸，但是用了不同的標記，用O表示良性瘤，X表示惡性瘤。
在這個例子中特徵只有一個，那就是瘤的大小。 有時候也有兩個或者多個特徵, 例如下圖， 有“年齡”和“腫瘤大小”兩個特徵。(還可以有其他許多特徵，如下圖右側所示)
-
無監督學習
在無監督學習中，我們基本上不知道結果會是什麼樣子，但我們可以通過聚類的方式從數據中提取一個特殊的結構。在無監督學習中給定的數據是和監督學習中給定的數據是不一樣的。在無監督學習中給定的數據沒有任何標籤或者說只有同一種標籤。如下圖所示：
如下圖所示，在無監督學習中，我們只是給定了一組數據，我們的目標是發現這組數據中的特殊結構。例如我們使用無監督學習算法會將這組數據分成兩個不同的簇,，這樣的算法就叫聚類算法。
-
無監督學習舉例
-
新聞分類
第一個例子舉的是Google News的例子。Google News蒐集網上的新聞，並且根據新聞的主題將新聞分成許多簇, 然後將在同一個簇的新聞放在一起。如圖中紅圈部分都是關於BP Oil Well各種新聞的鏈接，當打開各個新聞鏈接的時候，展現的都是關於BP Oil Well的新聞。
-
根據給定基因將人羣分類
如圖是DNA數據，對於一組不同的人我們測量他們DNA中對於一個特定基因的表達程度。然後根據測量結果可以用聚類算法將他們分成不同的類型。這就是一種無監督學習, 因爲我們只是給定了一些數據，而並不知道哪些是第一種類型的人，哪些是第二種類型的人等等。
-
雞尾酒派對效應
詳見課程: Unsupervised Learning
-
其他
這裏又舉了其他幾個例子，有組織計算機集羣，社交網絡分析，市場劃分，天文數據分析等。具體可以看一下視頻：Unsupervised Learning
鏈接：http://www.jianshu.com/p/7bae1ead174e