监督学习与非监督学习

    出于对ml的兴趣，最近开始了对ml的学习，正在跟着 coursera学习ml的基础知识，在这里做一个笔记。
    监督学习和非监督学习是两个基础的概念，但个人感觉并不是很简单，总有些容易混淆的感觉。

监督学习：

• 监督学习***从训练数据集合中***学习模型，对测试数据进行预测。
• 监督学习的目的在于学习一个由输入到输出的映射，即找到这样一个模型（又称为假设hypothesis）属于由输入空间到输出空间的映射的集合。
• 而监督学习 又有回归和分类两种，回归即是一种连续变量的预测，而分类是离散变量的预测，简单来说就是分类可以分为具体的类别而回归则不能。

无监督学习：

• 无监督式学习是人工智能网络的一种算法，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。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。

我个人理解监督学习和无监督学习的差别：
    监督学习有一个样本训练的过程，要用大量的样本对模型进行训练才能使模型越来越优，这就像我们小时候认识周围的事物一样，家长告诉我们这是房子、这是猪、这是鸟&