监督学习和无监督学习有什么区别？
在人工智能和机器学习方面。 你能用一个例子来提供一个基本的，简单的解释吗？
既然你问了这个基本的问题，看起来值得指出什么是机器学习本身。
机器学习是一类数据驱动的algorithm，即不同于“正常”algorithm，它是“告诉”“好答案”是什么的数据。 例如：在图像中用于人脸检测的假想的非机器学习algorithm将尝试定义人脸是什么（圆形的皮肤状的圆盘，以及期望眼睛的黑暗区域等）。 一个机器学习algorithm不会有这样的编码定义，但会“通过示例学习”：您将显示几张脸和非脸的图像，一个好的algorithm将最终学习，并能够预测是否看不见图像是一张脸。
这个人脸检测的例子是监督的 ，这意味着你的例子必须加上标签 ，或明确地说出哪些是人脸，哪些不是。
在一个无监督的algorithm中，你的例子没有被标记 ，即你什么都不说。 当然，在这样的情况下，algorithm本身不能“发明”一张脸，但是可以尝试将数据聚类到不同的组中，例如，它可以区分面貌与风景非常不同的风景。
因为另一个答案提到了（虽然方式不正确）：有“中级”的监督forms，即半监督和主动学习 。 从技术上讲，这些都是有监督的方法，其中有一些“聪明”的方法来避免大量标记的例子。 在主动学习中，algorithm本身决定你应该标记哪个东西（例如，它可以确定一个景观和一匹马，但它可能会要求你确认一个大猩猩是否确实是一张脸的图片）。 在半监督学习中，有两种不同的algorithm，从标记的例子开始，然后相互“告诉”他们对大量未标记数据的看法。 他们从这个“讨论”中学习。
有监督的学习是当你给你的algorithm的数据被“标记”，以帮助你的逻辑做出决定。
示例：贝叶斯垃圾邮件过滤，您必须将项目标记为垃圾邮件才能优化结果。
无监督学习是一种types的algorithm，试图find相关性，没有任何外部input，而不是原始数据。
示例：datamining聚类algorithm。
监督学习
其中训练数据包括input向量及其相应的目标向量的例子的应用被称为监督学习问题。
无监督学习
在其他模式识别问题中，训练数据由一组没有任何相应目标值的input向量组成。 这种无监督学习问题的目标可能是在数据中发现类似的例子，在这里称之为聚类
模式识别与机器学习（Bishop，2006）
在监督学习中，scheme正在提供实际结果。因此结果被称为例子的类。
但是在无监督学习中，一个例子的类是不知道的。所以无监督学习就是试图find未标记（未知类）数据集中的隐藏结构。
无监督学习的方法包括：
-
聚类（K均值，层次聚类）
-
关联规则学习
监督学习的方法包括：
-
分类（1R，朴素贝叶斯，决策树学习algorithm，如ID3 CART等）
-
数值预测
例如，经常训练一个neural network是监督学习：你正在告诉networking哪个类对应你正在馈送的特征向量。
聚类是无监督学习：您可以让algorithm决定如何将样本分组到共享公共属性的类中。
另一个无监督学习的例子是Kohonen的自组织地图 。
如果你需要简单地知道他们的含义，我可以举个例子：举个例子：你需要知道哪辆车是汽车，哪辆是摩托车？ 在监督学习中你的input数据应该有标签，这意味着首先你应该指定具有两个车轮和尺寸的车辆是摩托车（在这种情况下，我们直接给出信息）。 但是在无监督的学习中，您不会标注input。您可以为机器提供一些不同的input，并通过类似的function对机器进行群集。
简短的回答 ：
机器学习可以分为两种学习algorithm：
监督式学习 ：您可以给出不同标记的示例数据以及正确的答案。 这个algorithm会从中学习，并根据之后的input开始预测正确的结果。 例如 ：垃圾邮件filter
无监督学习 ：您只是提供数据，不要告诉任何事情 – 如标签或正确的答案。 algorithm自动分析数据中的模式。 示例 ：Google新闻
我总是发现无监督学习和有监督学习的区别是任意的，有点混乱。 这两种情况之间没有真正的区别，相反，有一系列的情况，algorithm可以有多less“监督”。 半监督学习的存在是线条模糊的明显例子。
我倾向于把监督看作是给algorithm提供什么样的解决scheme。 对于传统的监督设置，如垃圾邮件检测，您告诉algorithm“不要在训练集上犯任何错误” ; 对于传统的无监督设置（如聚类），您告诉algorithm“彼此靠近的点应位于同一个群集中” 。 恰恰相反，第一种forms的反馈比后者更具体。
总之，当有人说'监督'的时候，想想分类，当他们说'无人监督'的时候，就会想到分类，不要过分担心。
机器学习：它研究了可以学习和预测数据的algorithm的研究和构build。这些algorithm通过build立示例input的模型来操作，以便将数据驱动的预测或决策表示为输出，而不是遵循严格的静态程序指令。
监督学习：从标注的训练数据中推导出一个function的机器学习任务。训练数据由一组训练样例组成。 在监督学习中，每个例子都是由一个input对象（通常是一个向量）和一个期望的输出值（也称为监督信号）组成的一对。 监督式学习algorithm分析训练数据并产生一个推断的函数，可用于映射新的例子。
计算机被给出了由“教师”给出的示例input及其期望输出，目标是学习将input映射到输出的一般规则。具体而言，监督学习algorithm采用已知的一组input数据和已知的响应到数据（输出），并训练一个模型来产生对新数据的响应的合理预测。
无监督学习：无老师学习。 你可能想要处理数据的一件基本的事情是将其可视化。 从无标签数据推断描述隐藏结构的function是机器学习任务。 由于给学习者的例子没有标签，因此没有错误或奖励信号来评估潜在的解决scheme。 这将无监督学习与有监督学习区分开来。 无监督学习使用试图find模式的自然分区的程序。
在无监督学习的情况下，没有基于预测结果的反馈，也就是没有老师来纠正你。在无监督的学习方法下没有提供标记的例子，在学习过程中没有输出的概念。 因此，学习scheme/模型可以find模式或发现input数据的组
当你需要大量的数据来训练你的模型时，你应该使用无监督的学习方法，以及尝试和探索的意愿和能力，当然这是一个通过更多已build立的方法不能很好解决的挑战。有可能学习比监督学习更大更复杂的模型。 这是一个很好的例子
。
监督式学习，给出数据和答案。
给邮件标记为垃圾邮件/不是垃圾邮件，学习垃圾邮件filter。
给定诊断为患有糖尿病的患者的数据集，学会将新患者分类为患有糖尿病或不患有糖尿病。
无监督的学习，给数据没有答案，让电脑分组的东西。
鉴于networking上发现的一组新闻文章，将其分成一组关于同一故事的文章。
给定一个自定义数据的数据库，自动发现细分市场，并将客户分组到不同的细分市场。
参考
监督学习：从标记的训练数据推断一个function的机器学习任务。
无监督学习：从“未标记”数据（分类或分类不包括在观察中）推断描述隐藏结构的function的机器学习任务。
在监督式学习中，我们知道input和输出应该是什么。 例如，给定一组汽车。 我们必须找出哪些是红色的，哪些是蓝色的。
然而， 无监督学习是我们必须很less或根本不知道输出结果如何才能find答案的地方。 例如，学习者可以build立一个模型，根据面部模式和“你在笑什么？”等词的相关性来检测人们何时微笑。
监督学习可以根据训练期间的学习将新项目标记为训练标签之一。 您需要提供大量的训练数据集，validation数据集和testing数据集。 如果您提供数字的像素图像向量以及带有标签的训练数据，则可以识别数字。
无监督学习不需要训练数据集。 在无监督学习中，可以根据input向量的不同将项目分组为不同的聚类。 如果你提供数字的像素图像向量，并要求它分为10类，它可能会这样做。 但它确实知道如何标签，因为您没有提供培训标签。
监督式学习基本上是在inputvariables（x）和输出variables（y）的地方，使用algorithm学习从input到输出的映射函数。 之所以称之为监督，是因为algorithm从训练数据集中学习，该algorithm迭代地对训练数据进行预测。 监督有两种types – 分类和回归。 分类是当输出variables是类似的是/否，真/假。 回归是当输出是人的身高，温度等真实值时。
联合国监督学习是我们只有input数据（X）和没有输出variables的地方。 这被称为无监督学习，因为不同于上述的监督学习，没有正确的答案，也没有教师。 algorithm留给自己的devise来发现和呈现数据中有趣的结构。
无监督学习的types是聚类和协会。
监督机器学习
“algorithm从训练数据集中学习并预测输出的过程”。
预测输出的精度与训练数据成正比（长度）
监督式学习是指inputvariables（x）（训练数据集）和输出variables（Y）（testing数据集）的位置，并使用algorithm学习input到输出的映射函数。
Y = f(X) 主要types：
-
分类（离散y轴）
-
预测（连续y轴）
algorithm：
-
分类algorithm：
Neural Networks Naïve Bayes classifiers Fisher linear discriminant KNN Decision Tree Super Vector Machines预测algorithm：
Nearest neighbor Linear Regression,Multi Regression
应用领域：
-
1）将电子邮件分类为垃圾邮件
2）分类患者是否有疾病
3）语音识别4）预测HRselect特定候选人
5）预测股票市场价格
