机器学习整理（几种学习方式的介绍）

监督学习（Supervised learning）、无监督学习（Unsupervised Learning）、半监督学习(Semi-supervised Learning)、自监督学习（Self-supervised Learning）

1.监督学习（Supervised learning）

        用标记的训练数据X能预测出变量Y

        监督学习主要分为分类（变量的类别，如结果真假）和回归（最终结果，如预测的气温）

        监督学习一般使用两种目标变量，标称型和数值型。 标称型目标变量结果在有限目标集中取值，如真或假，主要用于分类；数值型目标可以从无限数值集合中取值，主要用于回归分析。

        常见的监督学习算法：

                        分类： K近邻、决策树、朴素贝叶斯、逻辑回归、支持向量机、AdaBoost

                        回归：线性回归

2.无监督学习（Unsupervised Learning）

         只有输入变量X，没有输出变量Y，需要回答从输入变量X中能发现什么信息

        常见的无监督学习问题：关联（发现数据集合中的相关数据共现的概率）、聚类（把数据集中相似的对象归到同一簇中）、降维（对输入数目削减，由此剔除数据中的噪声并提高机器学习方法的性能）

   监督学习简单高效，无监督学习不用标记数据更加有效

3.半监督学习(Semi-supervised Learning)

        获取数据容易，人工标记数据成本比较高，获取的样本只有部分被标记

        常见的半监督学习问题：分类、回归、聚类、降维

4.自监督学习（Self-supervisedlearning）

        利用辅助任务（pretext）从大规模的无监督数据中挖掘自身的监督信息，通过这种构造的监督信息对网络进行训练，从而可以学习到对下游任务有价值的表征。（算法在大规模无监督数据中自动构造监督信息，来进行监督学习或训练，非人工标注）

        自监督学习的方法： 基于上下文（Context based）、 基于时序（Temporal Based）、基于对比（Contrastive Based）