监督学习和非监督学习

机器学习/深度学习是一个广阔的研究领域，说来并不年轻，但又朝气蓬勃，似乎每天都在涌现大量的新方法和新技术。一般来说，传统的机器学习可以分为三个基本学习范式，即监督学习、无监督学习以及强化学习。在每个范式中都包含一种学习方式和理念，它为拓展当前机器学习的能力

本文转自雷锋网，如需转载请至雷锋网官网申请授权。深度学习是一个很大的领域，其核心是一个神经网络的算法，神经网络的尺寸由数百万甚至数十亿个不断改变的参数决定。似乎每隔几天就有大量的新方法提出。然而，一般来说，现在的深度学习算法可以分为三个基础的学习范式。每一

SVM 是机器学习领域的经典算法之一。给定一组训练实例，每个训练实例被标记为属于两个类别中的一个或另一个，SVM 训练算法创建一个将新的实例分配给两个类别之一的模型，使其成为非概率二元线性分类器。SVM 模型将实例表示为空间中的点，这样映射就使得单独类别的

本节概述机器学习及其三个分类。首先，与机器学习相关的术语有人工智能、机器学习、强化学习、深度学习等，这里对这些术语进行简单的整理。AI意味着人工智能，其定义因研究人员而异。实现AI的方法之一是机器学习。机器学习可以简单地描述为“向系统提供数据并通过数据自动

本节概述机器学习及其三个分类。首先，与机器学习相关的术语有人工智能、机器学习、强化学习、深度学习等，这里对这些术语进行简单的整理。AI意味着人工智能，其定义因研究人员而异。从广义上讲，它指“像人类一样具有智能的系统和配备这种系统的机器人”。实现AI的方法之

自监督表征学习发展迅速，但也存在诸多问题。近日，香港中文大学多媒体实验室和南洋理工大学的研究者开源了一套统一的自监督学习代码库 OpenSelfSup。近几个月来自监督表征学习领域获得了显著突破，特别是随着 Rotation Prediction、Deep

简述分类与聚类的联系与区别。利用关于心脏病患者的临床历史数据集，建立朴素贝叶斯心脏病分类模型。

简述分类与聚类的联系与区别。利用关于心脏病患者的临床历史数据集，建立朴素贝叶斯心脏病分类模型。最可能是哪个疾病？上传手工演算过程。分类和聚类都有相似点，他们都想在数据集中寻找离目标点最近的d点。无监督学习是没有先验数据，在没有被标记的数据中发现规律。

简述分类与聚类的联系与区别。分类器需要由人工标注的分类训练语料训练得到，属于有指导学习范畴。聚类则没有事先预定的类别，类别数不确定。

简述分类与聚类的联系与区别。利用关于心脏病患者的临床历史数据集，建立朴素贝叶斯心脏病分类模型。最可能是哪个疾病？上传手工演算过程。

简述分类与聚类的联系与区别。利用关于心脏病患者的临床历史数据集，建立朴素贝叶斯心脏病分类模型。上传手工演算过程。

简述分类与聚类的联系与区别。在分类中，已知存在哪些类，即对于目标数据库中存在哪些类是知道的，要做的就是将每一条记录分别属于哪一类标记出来。根据这种已知的关系，训练得到一个最优的模型。利用关于心脏病患者的临床历史数据集，建立朴素贝叶斯心脏病分类模型。

简述分类与聚类的联系与区别。利用关于心脏病患者的临床历史数据集，建立朴素贝叶斯心脏病分类模型。最可能是哪个疾病？上传手工演算过程。

分类的目的是 为了确定一个点的类别，具体有哪些类别是已知的，而聚类的目的是将一系列的点分成若干类，事先是没有类别的。样本数据类别未知，需要根据样本间的相似性对样本集进行分类，试图使类内差距最小化，类间差距最大化。利用关于心脏病患者的临床历史数据集，建立朴素

简述分类与聚类的联系与区别。分类的目的是为确定一个点的类别，具体有哪些类别是已知的，常用算法是KNN，是一种有监督学习。两种的实现都包含这样一个过程：对于想要分析的目标点，都会在数据集中寻找离他最近的点，即两者都用到了NN算法。利用关于心脏病患者的临床历史

简述分类与聚类的联系与区别。　　　分类简单来说，就是根据文本的特征或属性，划分到已有的类别中。聚类不需要对数据进行训练和学习。有监督学习即人工给定一组数据，每个数据的属性值也给出，对于数据集中的每个样本，我们想要算法预 测并给出正确答案：回归问题，分类问题

　　　　　　 聚类是将一系列点分成若干类，事先是没有类别的，常用算法是K-Means算法，是一种无监督学习。　　② 无监督学习：缺乏足够的先验知识；在数据中发现一些规律；任务是聚类和降维。利用关于心脏病患者的临床历史数据集，建立朴素贝叶斯心脏病分类模型。

简述分类与聚类的联系与区别。分类就是按照数据的属性给对象贴上标签，再根据标签来分类，属于无监督学习，聚类就是指事先定义好类别，然后通过某种度量将他们分类。利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习。利用关于

简述分类与聚类的联系与区别。　　无监督学习：缺乏足够的先验知识，输入x在没有标记的数据中发现一些规律。利用关于心脏病患者的临床历史数据集，建立朴素贝叶斯心脏病分类模型。

简述分类与聚类的联系与区别。利用关于心脏病患者的临床历史数据集，建立朴素贝叶斯心脏病分类模型。最可能是哪个疾病？上传手工演算过程。

数据少，又没有预训练模型，怎么破？给你个秘密武器——自监督学习。在医学图像领域，我们经常需要靠一点点的数据来做很多工作。在这个问题上，有一种被低估的方法，正是自监督学习，简直太神奇！还附上了与之相关的最新fast.ai教程。这一推文立即引起了大量网友的关注

常见的监督学习算法：回归和分类。如房价与面积的问题，就是线性回归。非监督学习的方法主要有以下两类。

是有特征和标签的，即便是没有标签的，机器也是可以通过特征和标签之间的关系，判断出标签。监督学习是通过训练让机器自己找到特征和标签之间的联系，在以后面对只有特征而没有标签的数据时可以自己判别出标签。相当于给定数据，预测标签。常见的有监督学习算法：回归分析和统

另外一些文章喜欢举“根据历史交易数据预测房子价值”或者“根据历史数据来预测未来几天是否下雨”的例子来引入“机器学习/深度学习/神经网络/监督学习”的主题，并介绍他们的作用，这种例子的样本都是数值，数字到数字的映射，简单易懂，但是现实应用中还有很多场景并非如

高效搜索代码可以大幅提升开发者的工作效率，然而目前的代码搜索效果并不尽如人意。近期，越来越多的研究者开始关注利用深度学习解决代码搜索问题。这篇论文概述了神经代码搜索技术，并提出了一种新型方法 UNIF 网络。近期多项研究提出利用深度神经网络和自然语言执行代

恶性肿瘤是全球第二大死因，每年导致近千万人死亡。病理报告是肿瘤临床诊断和治疗的“金标准”，是癌症确诊和治疗的基本依据。为了缓解世界范围内病理医生短缺的现状，人工智能病理诊断成为当今学术研究和工程落地的热点。数字病理切片的体积通常都在500MB至2GB，像素

MLK，即Machine Learning Knowledge，本专栏在于对机器学习的重点知识做一次梳理，便于日后温习，内容主要来自于《百面机器学习》一书，结合自己的经验与思考做的一些总结与归纳。本次主要讲解的内容是机器学习里的非监督学习经典原理与算法，

假设我们有一个数据集，显示来自俄勒冈州波特兰的47个住宅的起居面积和价格：。鉴于这样的数据，我们怎样针对他们居住面积的大小来预测波特兰其他房屋的价格？在这里我们先规定一下符号和定义，它们在将来还会用到。我们将使用x^{} 来表示输入input变量。当我们试

机器学习的常用方法中，我们知道一般分为监督学习和非监督学习。买房的时候，给了房屋面积以及其对应的价格，进行分析，这个就叫做监督学习；但是给了面积，没有给价格，就叫做非监督学习。监督，意味着给了一个标准作为“监督”。

典型的无导师学习有发现学习、聚类、竞争学习等。典型的结构化学习有神经网络学习、统计学习、决策树学习、规则学习。分类规则、决策树、数学公式、神经网络等。决策树gini系数确定分裂属性。随机的选择一些种子点作为目前划分的簇的质心。

本文约4000字，建议阅读14分钟。本文将介绍XGBoost的定义，并利用这一模型对人类指数官方数据集进行回归预测。一座漂亮的森林，是如此的随机！XGBoost是一种可以使用提升树进行多核并行训练的框架。举个例子，我们已知一个人的体重和年龄，想预测他的身高

聚类之前的课程中我们学习的都是监督学习相关的算法，现在来开始看非监督学习。非监督学习相对于监督非学习来看，其使用的是未标记的训练集而监督学习的是标记的训练集。其中一种可能的结构是，所有的数据可以大致地划分成两组，这种划分的算法称为聚类算法。在很多场景下我们

对于深度学习中的图像处理任务来说，很多研究人员都会用到降维处理技术，比如主成分分析、稀疏自动编码器、随机邻近嵌入等，每种降维方法都有各自的侧重点，根据相应的任务需求选择合适的降维算法。在这种情况下，LDA可以被认为是有监督算法，而PCA是无监督算法。通常，

底子一定要打好！任何不了解的它们的人很快就会发现自己已经落后了。有许多种方法和技术来执行人工智能和机器学习来解决实时问题，其中监督学习是最常用的方法之一。为了说明监督学习是如何工作的，让我们从一个根据他学习的小时数来预测学生分数的例子。基于给定的数据集，机

序本文主要简单研究一下朴素贝叶斯算法是如何对文本进行分类的。贝叶斯算法贝叶斯方法把计算“具有某特征的条件下属于某类”的概率转换成需要计算“属于某类的条件下具有某特征”的概率，属于有监督学习。后验概率　＝　先验概率 ｘ 调整因子这就是贝叶斯推断的含义。我们先

决策树是一个通过特征学习决策规则，用于预测目标的监督机器学习模型。顾名思义，该模型通过提出一系列的问题将数据进行分解，从而做出决策。根据训练集的特征，决策树模型学习一系列问题来推断样本的类标签。从图中可以看出，如果可解读性是重要因素，决策树模型是个不错的选

主要由聚类和降维两大类。小结数据挖掘的算法主要有分类、聚类、预测、关联四种，分类就属于监督学习，聚类属于无监督学习。

当地时间6月12日，ICML 2019于美国长滩市公布了本届大会最佳论文结果。谷歌大脑、MaxPlanck和苏黎世联邦理工学院合作的《挑战无监督分离式表征的常见假设》，以及剑桥大学的一篇《稀疏变分高斯过程回归的收敛速率》作为最佳论文摘得桂冠。另外，还有七篇

继马斯克的重型火箭猎鹰火箭发射成功后，营长的朋友圈被持续刷屏，虽然特斯拉Roadster飞偏了，但不可否认未来是属于科技的，更是属于人工智能和机器学习的，任何一个不了解这些技术的人都会很快发现自己将落后于这个时代。营长为大家找到了使用Python进行监督学

前不久结束的第三届CCAI大会，日本人工智能和机器学习领域的新一代领军人物杉山将为我们带来了一场关于弱监督机器学习的精彩演讲，这是机器学习领域少有的来自日本的声音。作为日本理化学研究所先进智能研究中心主任，杉山将是这个领域最知名的学者之一。他在机器学习领域

选自arXiv，作者：张子威、崔鹏、朱文武，机器之心编译，参与：路、晓坤。深度学习在多个领域中实现成功，如声学、图像和自然语言处理。但是，将深度学习应用于普遍存在的图数据仍然存在问题，这是由于图数据的独特特性。近期，该领域出现大量研究，极大地提升了图分析技

追踪视频中的物体一直是计算机视觉领域中的基本问题，对于动作识别、对象交互或视频风格化等应用非常重要。然而，教会机器视觉追踪物体是一个具有挑战性的任务，因为它需要大量经过标注的追踪数据集用于训练，而大规模的标注通常是不切实际的。在谷歌最近提交的论文《Trac

细粒度视觉分类即识别细分类别的任务，一般它需要同时使用全局图像信息与局部特征信息精确识别图像子类别。细粒度分类是计算机视觉社区最为有趣且有用的开放问题之一，目前还有很多难题期待解决。2011 年，谷歌开始赞助举办第一届 FGVC Workshop，之后每两

本文是一篇对于当今最先进的通用词/句嵌入技术的简介，包括对比基线： FastText、词袋模型；以及最先进的模型：ELMo、Skip-Thoughts、Quick-Thoughts、InferSent、MILA 研究组和微软研究院提出的通用句子表征，以及谷

受到 Judea Pearl 近期采访的启发，Ferenc Huszár 发表博客，从观察和干预数据分布的区别和联系出发，阐述了他对因果推理在机器学习中的意义的看法。他指出因果推理是深度学习的必要补充，而不是作为其对立面，必须在两者中取其一舍其一。你可能已

对于深度学习中的图像处理任务来说，很多研究人员都会用到降维处理技术，比如主成分分析、稀疏自动编码器、随机邻近嵌入等，每种降维方法都有各自的侧重点，根据相应的任务需求选择合适的降维算法。在这种情况下，LDA可以被认为是有监督算法，而PCA是无监督算法。通常，

在《国家科学评论》 2018 年 1 月份出版的机器学习专题期刊中，介绍了南京大学周志华教授发表的一篇论文《A brief introduction to weakly supervised learning》。机器之心经授权对此论文部分内容做了编译介绍，

在前一篇文章中，“机器学习第2周：项目方法学，”我写了关于算法学习分类。算法学习分类当开始了KXEN的旅行时，并没有一个在数据挖掘或数据科学领域的谱系说明。我有技术支持和程序员的背景，因此，我理解了“算法”这个词在编程方面的含义，并且发现对于数据科学来说，

模仿学习是学习器尝试模仿专家行为从而获取最佳性能的一系列任务。目前主流方法包括监督式模仿学习、随机混合迭代学习和数据聚合模拟学习等方法。本论文全面概述了当前的模拟学习算法及其收敛性保障，有助于读者深入了解这一领域。模仿学习能够处理这些未探索到的状态，所以可