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實際值的問題，
例如單一的數字、美元、薪水、體重或壓力。它最常用於根據先前的觀測資料來**數值。
一些比較常見的回歸演算法包括線性回歸、邏輯回歸、多項式回歸和脊回歸。
2.分類模型—分類模型用於可以對輸出變數進行分類，
例如「是」或「否」、「通過」或「失敗」。分類模型用於**資料的類別。
現實生活中的例子包括垃圾郵件檢測、情緒分析、考試記分卡**等。
無監督學習是訓練機器使用既未分類也未標記的資料的方法。
這意味著無法提供訓練資料，機器只能自行學習。機器必須能夠對資料進行分類，而無需事先提供任何有關資料的資訊。
其理念是先讓計算機與大量變化的資料接觸，並允許它從這些資料中學習，以提供以前未知的見解，
並識別隱藏的模式。
因此，無監督學習演算法不一定有明確的結果。相反，它確定了與給定資料集不同或有趣之處。
計算機需要程式設計才能自學。計算機需要從結構化和非結構化資料中理解和提供見解。
無監督學習的準確說明
無監督機器學習分類
1.聚類是最常見的無監督學習方法之一。聚類的方法包括將未標記的資料組織成類似的組，稱為聚類。因此，聚類是相似資料項的集合。此處的主要目標是發現資料點中的相似性，並將相似的資料點分組到乙個聚類中。
2.異常檢測是識別與大多數資料顯著不同的特殊項、事件或觀測值的方法。通常在資料中尋找異常或異常值的原因在於它們是可疑的。異常檢測常用於銀行欺詐和醫療差錯檢測。
簡單一句話就是
監督（supervised）=標籤（label），是否有監督，就是輸入資料（input）是否有標籤，有標籤 則為有監督學習，沒標籤則為無監督學習。至於半監督學習，就是一半（一點點）資料有標籤，一 半（極其巨大）資料沒標籤。
例如學數學，小學老師會先給大量訓練，讓人學會解題方法。之後面對考試的時候出現的絕對不同 的題目，也能回答。
a) 監督學習是最常見的一種機器學。
它的訓練資料是有標籤的，訓練目標是能夠給新資料（測試 資料）以正確的標籤。 例如，想讓ai知道什麼是貓什麼是狗，一開始我們先將一些貓的和狗的（帶標籤）一起進 行訓練，學習模型不斷捕捉這些與標籤間的聯絡進行自我調整和完善，然後我們給一些不帶標 籤的新，讓該ai來猜猜這些是貓還是狗。 經典的演算法：支援向量機、線性判別、決策樹、樸素貝葉斯
b) 無監督學習常常被用於資料探勘。
用於在大量無標籤資料中發現些什麼。它的訓練資料是無標籤 的，訓練目標是能對觀察值進行分類或者區分等。相對於監督學習，無監督學習使用的是沒有標籤 的資料。機器會主動學習資料的特徵，並將它們分為若干類別，相當於形成「未知的標籤」。 非監督性學習是只給特徵，沒有給標籤，就是高考前的一些模擬試卷，是沒有標準答案的，也就是 沒有參照是對還是錯，但是我們還是可以根據這些問
題之間的聯絡將語文、數學、英語分開。
--參考知乎
--參考西瓜書機器學習
--參考csdn 部分資料
基本概念 監督與非監督
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...
有監督與無監督
機器學習分為 監督學習，無監督學習，半監督學習 也可以用hinton所說的強化學習 等。簡單的歸納就是，是否有監督 supervised 就看輸入資料是否有標籤 label 輸入資料有標籤，則為有監督學習 沒標籤則為無監督學習。有監督和無監督中間包含的一種學習演算法是半監督學習 semi super...