有监督的学习方法的简单介绍

本篇目录一览

• 1、有监督学习和无监督学习算法怎么理解？
• 2、“有监督学习”和“监督学习”分别是什么？
• 3、什么是有监督的学习，什么是无监督的学习，什
• 4、小学生在家学习如何做到有效监督？
• 5、自我学习，监督学习，半监督学习和迁移学习的区别
• 6、怎么相互监督学习？

有监督学习和无监督学习算法怎么理解？

在判断是有监督学习还是在无监督学习上，我们可以具体是否有监督（supervised），就看输入数据是否有标签（label）。输入数据有标签，则为有监督学习，没标签则为无监督学习。

什么是学习（learning）？

一个成语就可概括：举一反三。机器学习的思路有点类似高考一套套做模拟试题，从而熟悉各种题型，能够面对陌生的问题时算出答案。

简而言之，机器学习就是看能不能利用一些训练数据（已经做过的题），使机器能够利用它们（解题方法）分析未知数据（高考题目），而这种根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题，称之为无监督学习。

常用的无监督学习算法主要有三种：聚类、离散点检测和降维，包括主成分分析方法PCA等，等距映射方法、局部线性嵌入方法、拉普拉斯特征映射方法、黑塞局部线性嵌入方法和局部切空间排列方法等。

从原理上来说，PCA等数据降维算法同样适用于深度学习，但是这些数据降维方法复杂度较高，所以现在深度学习中采用的无监督学习方法通常采用较为简单的算法和直观的评价标准。比如无监督学习中最常用且典型方法聚类。

在无监督学习中，我们需要将一系列无标签的训练数据，输入到一个算法中，然后我们告诉这个算法，快去为我们找找这个数据的内在结构给定数据。这时就需要某种算法帮助我们寻找一种结构。

监督学习（supervised learning），是从给定的有标注的训练数据集中学习出一个函数（模型参数），当新的数据到来时可以根据这个函数预测结果。 常见任务包括分类与回归。

无监督学习方法在寻找数据集中的规律性，这种规律性并不一定要达到划分数据集的目的，也就是说不一定要“分类”。比如，一组颜色各异的积木，它可以按形状为维度来分类，也可以按颜色为维度来分类。（这一点比监督学习方法的用途要广。如分析一堆数据的主分量，或分析数据集有什么特点都可以归于无监督学习方法的范畴） ，而有监督学习则是通过已经有的有标签的数据集去训练得到一个最优模型。

“有监督学习”和“监督学习”分别是什么？

1、监督式学习（Supervisedlearning），是一个机器学习中的方法，可以由训练资料中学到或建立一个模式（learningmodel），并依此模式推测新的实例。训练资料是由输入物件（通常是向量）和预期输出所组成。函数的输出可以是一个连续的值（称为回归分析），或是预测一个分类标签（称作分类）。

个监督式学习者的任务在观察完一些训练范例（输入和预期输出）后，去预测这个函数对任何可能出现的输入的值的输出。要达到此目的，学习者必须以"合理"（见归纳偏向）的方式从现有的资料中一般化到非观察到的情况。在人类和动物感知中，则通常被称为概念学习（conceptlearning）。

2、无监督式学习(UnsupervisedLearning)是人工智能网络的一种算法(algorithm)，其目的是去对原始资料进行分类，以便了解资料内部结构。

有别于监督式学习网络，无监督式学习网络在学习时并不知道其分类结果是否正确，亦即没有受到监督式增强(告诉它何种学习是正确的)。其特点是仅对此种网络提供输入范例，而它会自动从这些范例中找出其潜在类别规则。当学习完毕并经测试后，也可以将之应用到新的案例上。

无监督学习里典型的例子就是聚类了。聚类的目的在于把相似的东西聚在一起，而我们并不关心这一类是什么。因此，一个聚类算法通常只需要知道如何计算相似度就可以开始工作了。

什么是有监督的学习，什么是无监督的学习，什

这个问题可以回答得很简单：是否有监督（supervised），就看输入数据是否有标签（label）。输入数据有标签，则为有监督学习，没标签则为无监督学习。

但根据知乎惯例，答案还是要继续扩展的。

首先看什么是学习（learning）？一个成语就可概括：举一反三。此处以高考为例，高考的题目在上考场前我们未必做过，但在高中三年我们做过很多很多题目，懂解题方法，因此考场上面对陌生问题也可以算出答案。机器学习的思路也类似：我们能不能利用一些训练数据（已经做过的题），使机器能够利用它们（解题方法）分析未知数据（高考的题目）？

最简单也最普遍的一类机器学习算法就是分类（classification）。对于分类，输入的训练数据有特征（feature），有标签（label）。所谓的学习，其本质就是找到特征和标签间的关系（mapping）。这样当有特征而无标签的未知数据输入时，我们就可以通过已有的关系得到未知数据标签。

在上述的分类过程中，如果所有训练数据都有标签，则为有监督学习（supervised learning）。如果数据没有标签，显然就是无监督学习（unsupervised learning）了，也即聚类（clustering）。

小学生在家学习如何做到有效监督？

小学生的学习重点在于学习兴趣的培养和学习习惯的养成，所以，无论是在家学习，还是在学校学习，都需要根据孩子的情况来安排学习。

很多小学生存在的学习问题

第一，对学习没什么兴趣，在学习上没有尝到甜头。

第二，心神不宁，总是左顾右盼。

第三，没有良好的生活习惯，导致没有良好学习习惯。

家长到底应该如何监督呢？

首先要意识的一个问题是，不能用监督，而是需要陪伴和引导！这个至关重要。

1，作为孩子的同伴陪同，而不是以一个老师的身份，不是负责指挥监督的，而是一块学习的伙伴；

2，是孩子的同学，因此坐在旁边，孩子做孩子的作业，而您做您自己的”作业“；

3，在旁边陪同是为了给孩子做示范，因此要保持安静，养成孩子安静学习的好习惯。

4，学会示弱，告诉孩子，爸爸妈妈还没有孩子做的好，学会必要的时候”做点错事“。

根据孩子的性格制定适合孩子的作息表。

家长具体应该怎么做呢？

1，制定计划，首先在与孩子沟通时，应该明确其充足的休息和娱乐时间。

2，家长可每天定时翻看孩子的作业进展，确保孩子在按照规划的进度前进。

3，家长还可采取适当的“奖励”方式，鼓励孩子每天都按时完成作业，在孩子完成作业后及时表扬并兑换承诺。

家长要时刻关注孩子的心理变化。

该如何关注孩子的心理呢？

1，坦诚相见，和孩子多谈心，这样一些误会和代沟也会消失。

2，态度平和，跟孩子说话切忌居高临下，也给孩子一个平等发表意见的机会。

3，刚柔并济，再叛逆的孩子心里其实也能明白父母的苦心，所以这个“柔”字要把握好，在原则问题上，家长绝不可以放松，该把关时就要把关。

4，放松心态，不要在学习上给孩子太大的压力，要鼓励孩子，树立他们的自信心。

自我学习，监督学习，半监督学习和迁移学习的区别

自我学习和半监督学习一样，当前手头上只有少量训练样本，但是周围手头上还有大量无标注样本。举一个经典的例子，分离大象和犀牛。对于监督学习来说，我们手头有大量大象的样本和犀牛的样本，接下来训练分类器，进行分类，大家都知道的。对于迁移学习，则是指我们手头上有大量羊的样本和马的样本（已标记），少量的大象和犀牛的样本，接下来就要从羊和马的样本中选出有效的样本分别加入到大象和犀牛的标记样本中，然后再用监督学习的方法训练分类器。而非监督学习，则是手上仅有少量大象和犀牛的已标记样本，另外有一堆大象和犀牛的没有标记的数据（注意它们中要么是大象要么是犀牛，没有其他物种）。半监督学习就是利用这些样本训练分类器，实现分类。而自我学习，同样是手上仅有少量大象和犀牛的已标记样本，另外有一大堆自然图像。所谓自然图像，就是有大象和犀牛的图片，还有各种其他物种的图片。自我学习比半监督学习更适合实际场景—–哪有一堆只有大象和犀牛的图片给你呢？而自然图像的来源更加广泛，可以从互联网上随便下载。 转载网络。

怎么相互监督学习？

你其实都说出关键问题了“聊很长时间的天”，你俩只要不聚在一起聊很长时间的天自然就时间够用来复习考试了……