一. 背景
在机器学习中，有2个很大的思路监督学习(supervised learning)和非监督学习(unsupervised learning)
监督学习，用通俗的话来说就是你知道问题的答案，需要计算机给出一个更标准的答案。
非监督学习，用通俗的话来说就是物以类聚，人以群分。我们拿到了很多数据，但是不知道问题的答案，希望计算机给我们提供思路。
在生产环境中，往往采用混合模式。比如图片搜索，如何能够查找网页中判断那个图片是老虎，那个是狗。就有2个思路。
1. 根据图片周围的文字。
2. 图片的图像数据分析。
2个角度相互校验，稳定之后，就可以产生足够的标注信息了。
二. 监督学习
1. 监督学习指的是已知一个数据集和数据集中每个数据的正确答案，算法就是基于这个已知的数据集来做出学习并预测出结果。监督学习常见的有回归问题和分类问题
1). 回归问题
举例: 已知一批房地产数据，每个数据包括房子面积和售价，想预测一个给定大小的房子面积和售价，这类问题我们称为回归问题。
2). 分类问题
举例: 医学界根据已知肿瘤患者的年龄和肿瘤的类型（良性/恶性），想预测一个病人所患肿瘤的类型，这类问题我们称为分类问题。
2. 在监督学习的数据集中每个样本都已经被标明为正样本或者负样本
所以在无监督学习中，我们只有一个数据集，我们也不知道每个数据点究竟是什么意思。相反，它只告诉我们现在有一个数据集，你能在其中找到某种结构吗？
对于给定的数据集，无监督学习算法可能判定，该数据集包含n个不同的聚类。
2. 无监督学习算法，最常见的是聚类。例如谷歌新闻对新闻进行归类，分为体育、热点、社会 ...
在机器学习中，有2个很大的思路监督学习(supervised learning)和非监督学习(unsupervised learning)
监督学习，用通俗的话来说就是你知道问题的答案，需要计算机给出一个更标准的答案。
非监督学习，用通俗的话来说就是物以类聚，人以群分。我们拿到了很多数据，但是不知道问题的答案，希望计算机给我们提供思路。
在生产环境中，往往采用混合模式。比如图片搜索，如何能够查找网页中判断那个图片是老虎，那个是狗。就有2个思路。
1. 根据图片周围的文字。
2. 图片的图像数据分析。
2个角度相互校验，稳定之后，就可以产生足够的标注信息了。
二. 监督学习
1. 监督学习指的是已知一个数据集和数据集中每个数据的正确答案，算法就是基于这个已知的数据集来做出学习并预测出结果。监督学习常见的有回归问题和分类问题
1). 回归问题
举例: 已知一批房地产数据，每个数据包括房子面积和售价，想预测一个给定大小的房子面积和售价，这类问题我们称为回归问题。
2). 分类问题
举例: 医学界根据已知肿瘤患者的年龄和肿瘤的类型（良性/恶性），想预测一个病人所患肿瘤的类型，这类问题我们称为分类问题。
2. 在监督学习的数据集中每个样本都已经被标明为正样本或者负样本
三. 无监督学习
1. 在无监督学习中，我们用的数据会和监督学习里的看起来有些不一样。在无监督学习中没有属性或标签这一概念，也就是说所有的数据都是一样的没有区别。所以在无监督学习中，我们只有一个数据集，我们也不知道每个数据点究竟是什么意思。相反，它只告诉我们现在有一个数据集，你能在其中找到某种结构吗？
对于给定的数据集，无监督学习算法可能判定，该数据集包含n个不同的聚类。
2. 无监督学习算法，最常见的是聚类。例如谷歌新闻对新闻进行归类，分为体育、热点、社会 ...
