监督学习 非监督学习 自我监督学习

监督学习：

标签（label）：每个样本数据都配有一个正确的答案或输出值

算法通过一组带有标签的数据进行训练，训练过程的目标是让模型学会从输入到输出的映射关系，一旦模型被训练完成，它就可以用来对新的、未见过的数据做出预测。

常见的监督学习任务包括分类（classification）和回归（regression）

监督学习就像是学生在老师的指导下学习。老师提供了带有正确答案的练习题（带标签的数据），学生（算法）通过这些练习题来学习如何得到正确的答案。最终，学生应该能够在没有老师帮助的情况下解决类似的问题。在机器学习中，这个过程用于教会模型识别模式，并对新数据进行分类或预测。

---

非监督学习：

非监督学习处理的是没有标签的数据集。

算法的目标是在没有正确答案指导的情况下发现数据中的结构或者模式。

常见的非监督学习任务有聚类（clustering）、降维（dimensionality reduction）和关联规则学习（association rule learning）。

非监督学习类似于学生自己探索知识。没有老师提供正确答案，学生必须自己找出数据中的规律或结构（如分组或模式）。这种学习方式主要用于探索未知的数据特征，比如找出数据集中的自然分群或降低数据维度以便更容易理解。

---

自我监督学习：

是介于监督学习与非监督学习之间的方法。

自我监督学习（Self-Supervised Learning）是半监督学习的一种形式，它通过为无标签的数据创建一个监督信号来训练模型。

半监督学习利用少量的标记数据和大量的无标记数据来进行学习。这种方法试图结合监督学习的强大预测能力和非监督学习利用大量未标记数据的能力。

自我监督学习有点像是学生自己给自己出题来做。虽然没有直接的答案，但是学生可以通过变换或部分隐藏已知的信息来创造问题，并尝试解答。例如，给一张图片的一部分打上马赛克，然后训练模型去预测被打上马赛克的部分应该是什么样子。这种方法旨在利用大量无标签的数据来增强模型的学习能力。