深度學習中會遇到常見的兩個問題，乙個是分類，乙個是回歸。
如果我們想要**的值是乙個離散的值，比如說物體識別，識別乙個物體是貓還是狗，**一張是美還是醜，還有手寫數字辨識，這些都是分類的問題。但是如果我們想要**的是乙個連續的數值，比如說給一張進行評分，這就是回歸問題。
有的時候我們還會對一些資料做聚類，就是我們可以通過某些聚類演算法將某些相同類別的資料聚合在一起，形成乙個簇，而這些自動生成的簇可能會存在一些潛在的相同特徵，比如說這個簇裡面的所有資料都指向 「貓」 的特徵，而另乙個簇裡面的資料都指向 「狗」 的特徵等等。但是我們一開始並不知道這些資料指向的是那個類別，也就是說在訓練的過程中，這些資料是不具有標記資訊的。
根據訓練的資料是否具有標記資訊，我們可以將學習任務大致分為兩類，一類是監督學習，也就是上面提到的分類和回歸問題都是監督學習的一中。而另一類是非監督學習，也就是上面提到的聚類。
通過監督學習，我們可以明確**出某個物體的類別。但是非監督學習的方式只能對資料進行劃分，並不能**出類別，
下面再總結一下
常見的監督學習演算法： k-近臨演算法，決策樹，樸素貝葉斯等等。常見的非監督學習演算法： k-均值聚類演算法，譜聚類演算法，em演算法，主成分分析。
對於深度學習來說，深度學習也是一種實現機器學習的技術，也包含了監督學習和非監督學習。常見的卷積神經網路就是一種監督學習方法，在影象分類（如人臉識別）上應用非常廣泛。生成對抗網路（gan）是一種無監督學習方法，經常被用來做影象生成（如深度卷積對抗生成網路(dcgan)可用於生成**影象）。
監督學習和無監督學習 監督學習與非監督學習
監督學習 supervised learning 的任務是學習乙個模型，使模型能夠對任意給定的輸入，對其相應的輸出做出乙個好的 即 利用訓練資料集學習乙個模型，再用模型對測試樣本集進行 例如kaggle上的鐵達尼號比賽。官方提供旅客資料 資料集1 姓名，年齡，性別，社會經濟階層，是否生存等 要求參賽...
監督學習和非監督學習
重新看一遍ng的機器學習課程，第一次寫讀書筆記，希望能夠堅持下來！對於監督學習，首先來看乙個例子，如下圖.圖中的資料來自r語言中的boston資料集，其中lstat軸表示地位較低的人口比重，medv軸表示median value of owner occupied homes in 1000s。如果...
監督學習和非監督學習
監督學習 監督學習就是分類，把人們已經處理好的訓練樣本 即已知資料和對應輸出 給計算機，計算機通過規律訓練出乙個最佳模型，再用這個模型對輸入的資料進行分類，得出對應的輸出。從而使計算機具有對未知資料進行分類的功能。特點 目標明確 需要帶標籤的訓練樣本 分類效果很容易評估 非監督學習 非監督學習沒有訓...