监督学习和无监督学习

机器学习：定义一、给予计算机能自我学习的能力而不是编程。定义二、对于某类任务T和性能度量P，如果一个计算机程序在T上以P衡量的性能随着经验E而自我完善，那么我们称这个计算机程序在从经验E学习

 

监督学习
在有监督的学习中，我们得到了一个数据集，并且已经知道正确的输出应该是什么样的，我们认为输入和输出之间是有关系的。
监督学习问题分为回归问题和分类问题。在回归问题中，我们试图在连续输出中预测结果，这意味着我们试图将输入变量映射到某个连续函数。在分类问题中，我们试图预测离散输出的结果。换句话说，我们试图将输入变量映射到离散的类别中。

 

无监督学习
无监督学习使我们能够在不知道结果应该是什么的情况下处理问题。我们可以从不一定知道变量影响的数据中导出结构。
我们可以根据数据中变量之间的关系对数据进行聚类，从而得出这种结构。
对于无监督学习，没有基于预测结果的反馈。

例子：
聚类：收集1000000个不同的基因，并找到一种方法自动将这些基因分组，这些分组以某种方式相似或由不同变量相关，如寿命、位置、角色等。
非聚类：鸡尾酒会算法，允许你在混乱的环境中找到结构。（即在鸡尾酒会上从许多声音中识别出个人的声音和音乐）。