计算机视觉之模式识别：基于学习范式可分为哪四类

Pattern Recognition Categories
Based on learning paradigm(学习范式)
-Supervised learning(监督学习) : learning patterns in a set of data together with available labels (ground truth),给定一个数据集x,必定有一个标签y与之对应，且这个标签是完全可信的
-Semi-supervised learning(半监督学习) : uses a combination of labelled and unlabelled data to learn patterns , 用贴标签的和未贴标签的数据合在一起进行，可以让未标的防止标的数据过弥合
-Weakly supervised learning (弱监督学习)： uses noisy , limited or imprecise labels for the data to learn patterns in a supervised setting 和supervised learning 不同在它的数据不那么可靠，要么稀缺，要么不准确
-Unsupervised learning (无监督学习)，finding patterns in a set of data without any labels，给定一个数据集， 完全没有标签与之对应。 聚类法常用这一学习。
有无label的主要区别在于： 有label可以对数据进行弥合，修正模型中的一部分参数

Label使得样本空间x（sample）所得的f(x)假设空间能与Y类标空间相似
假设空间：数据（包括未知数据）所有可能性的集合
版本空间：符合训练集（原数据集）的集合