机器学习中的名词解释（一）：监督学习、无监督学习、半监督学习、自监督学习（通俗理解）

机器学习中有几个带有“监督”二字的名词，易混淆，写篇博客解释一下下~

1、监督学习（Supervised Learning）：是指从标注数据中学习预测模型的机器学习方法，其本质是学习输入到输出的映射的统计规律。（映射：两个集合中元素相互对应的关系）

例如：老张有一堆小猫小狗的图片，然后拿着这堆图片给他的计算机，并且老张还给每张图片一个文件名分别是猫或狗，这个时候图片和文件名共同作为计算机的输入，经过一段时间的学习，老张的计算机得到了一个可以辨识猫狗的模型，这个时候隔壁老王拿了一张他家的大黄的图片，输入到老张的计算机中，然后老张的计算机打印出“狗”的字样，这就预测出来了老王家大黄是一条狗。

监督学习方法：KNN、SVM等。

2、无监督学习（Unsupervised Learning）：是指从无标注数据中学习预测模型的机器学习方法，其本质是学习数据中的统计规律或潜在结构。

例如：还是上面的老张，这个时候老张只拿着这堆图片给他的计算机，并不告诉计算机这张是猫的图片，那张是狗的图片，而是靠计算机自己对图片提取特征然后计算图片和图片之间的相似度，经过计算机自己的计算发现，狗与狗的图片之间更相似，猫和猫的图片之间更相似，于是计算机就聪明的把狗的图片分成一小堆，猫的图片分成一小堆。这个时候老王又带着大黄来了，计算机一看，大黄明显和狗堆的相似度更高，于是就告诉老王，大黄是一条狗。

无监督学习方法：聚类、K均值、PCA等。

3、半监督学习（Semi-supervised Learning）：是指从大量的未标记数据以及部分标记数据中学习预测模型的机器学习方法。

例如：用有标签的数据训练一个分类器，然后用这个分类器对无标签数据进行分类，这样就会产生伪标签或软标签，挑选你认为分类正确的无标签样本用来训练分类器。

半监督学习方法：简单自训练等

4、自监督学习（Self-supervised Learning）：是指直接从大规模的无监督数据中挖掘自身监督信息来进行监督学习和训练的一种机器学习方法（可以看成是无监督学习的一种特殊情况），自监督学习需要标签，不过这个标签不来自于人工标注，而是来自于数据本身。

例如：输入计算机一张图片，把图片随机旋转一个角度，然后把旋转后的图片作为输入，随机旋转的角度作为标签，然后拿着这些标签和对应的图片数据进行监督学习和训练。

自监督学习方法：基于上下文、基于时序、基于对比等。