# 監督學習 * 目前最**常見**的機器學習類型。 **給定**一組樣本（通常由人工標注），它可以學會將輸入數據**映射**到已知目標［也叫**標注**（annotation）］ * 例如:光學字符識別、語音識別、圖像分類和語言翻譯。 ## **類型**： * **分類** * **回歸** * **序列生成**（sequence generation） 給定一張**圖像**，**預測描述圖像的文字**。 序列生成有時可以被重新表示為一系列分類問題，比如反復預測序列中的單詞或標記。 * **語法樹預測**（syntax tree prediction）。 給定一個**句子**，預測其分解生成的**語法樹**。 * **目標檢測**（object detection）。 給定一張**圖像**，在圖中特定目標的周圍畫一個**邊界框**。這個問題也可以表示為分類問題（給定多個候選邊界框，對每個框內的目標進行分類）或分類與回歸聯合問題（用向量回歸來預測邊界框的坐標）。 * **圖像分割**（image segmentation）。給定一張圖像，在特定物體上**畫一個像素級的掩模**（mask）。 ***** # **無監督學習**： * 是指在**沒有目標**的情況下尋找輸入數據的有趣變換。 * 其目的在于**數據可視化**、**數據壓縮**、**數據去噪**或更好地理解**數據中的相關性**。 * 無監督學習是數據分析的**必備技能** * 在解決監督學習問題**之前**，為了更好地了解數據集，它通常是一個必要**步驟**。 * **降維**（dimensionality reduction）和**聚類**（clustering）都是眾所周知的無監督學習方法。 ***** # **自監督學習**： * 自監督學習是沒有人工標注的標簽的監督學習 * 標簽仍然存在（因為總要有什么東西來監督學習過程），但它們是從輸入數據中生成的，通常是使用啟發式算法生成的。 ## **例子**： **自編碼器**（autoencoder），生成的目標就是未經修改的輸入 **時序監督學習**（temporally supervised learning），用未來的輸入數據作為監督： * 給定視頻中過去的幀來預測下一幀 * 給定文本中前面的詞來預測下一個詞 ***** # **強化學習**： * **智能體**（agent）接收有關其環境的信息，并學會選擇使某種獎勵最大化的行動。 例子：google的deep mind ***** # **目的：** 機器學習的目的是得到可以**泛化**（generalize）的模型，即在前所未見的數據上表現很好的模型，而過擬合則是核心難點。