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），要求參賽選手建立乙個**模型來回答「另外418名乘客是否會生存？」這是乙個典型的監督學習（supervised learning）的例子。因為該訓練資料有輸入物件（姓名，年齡，性別，社會經濟階層等）和預期輸出（是否生存）。有無預期輸出是監督學習（supervised learning）與非監督學習（unsupervised learning）的區別。
我們的任務是根據資料集1建立乙個**模型（model），即學習演算法（learning algorithm）。這個過程稱為「學習（learning）」或「訓練（training）」。由於我們得到的學得模型只是接近了資料的某種潛在規律，因此被稱為『假設（hypothesis）』。相對應的，潛在規律自身則被稱為『真實（ground-truth）』。學習的目的就在於找到最好的『假設（hypothesis）』。用學習演算法（learning algorithm）對資料集2的每個例項（姓名，年齡，性別，社會，社會經濟階層等）進行判斷——『是否能生存？』。
這是乙個二分類任務（輸出為『生存』或『死亡』兩個維度）。如果所需結果為『生存』，『半生半死』或『死亡』等多個維度，則為多分類任務。如果所需結果為生存率（0~1），則為回歸任務（輸出結果為連續值）。
分類問題（離散）與回歸問題（連續）等都是監督學習。
分類問題：
回歸問題：
非監督學習（unsupervised learning）為直接對資料進行建模。沒有給定事先標記過的訓練範例，所用的資料沒有屬性或標籤這一概念。事先不知道輸入資料對應的輸出結果是什麼。自動對輸入的資料進行分類或分群，以尋找資料的模型和規律。如聚類演算法：針對資料集，自動找出資料中的結構，從而把資料分成不同的簇。例如：谷歌新聞利用聚類演算法把不同的主題放在一起。
無監督學習（unsupervised learning）的優點：由於沒有標準的分類方法，有可能從資料中挖出啟發與亮點。
資料監督與非監督
資料分析的基礎知識內容 什麼是監督學習 在監督學習中，計算機通過示例學習。它從過去的資料中學習，並將學習的結果應用到當前的資料中，以 未來的事件。在這種情況下，輸入和期望的輸出資料都有助於 未來事件 二 所有監督學習演算法本質上都是複雜演算法，分為分類或回歸模型。1.回歸模型 回歸模型用於輸出變數為...
機器學習基本概念 有監督學習和無監督學習
有監督學習是指我們給演算法乙個資料集，並且給定正確的答案。現在有一套房子的面積是750平，請問該套房子 多少合適？如果我們根據這些資料計算出圖中的藍色線，這樣估計該房子大約值160k 而如果我們根據這些資料擬合出黑色曲線，用該曲線計算的話，該套房子的 大約在220k左右。怎麼才能給出乙個最準確的結果...
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...