1:监督学习
(1)监督学习是使用已知正确答案的示例来训练网络。已知数据和其一一对应的标签,训练一个模型,将输入数据映射到标签的过程。
(2)监督学习常见的应用场景为分类问题和回归问题。
2:无监督学习
(1)在无监督学习中,数据没有被特别标识,适用于存在数据集,但是无标签的情况。训练一个模型可以推断出数据的一些隐藏的结构。
3:半监督学习
(1)半监督学习使用大量的未标记数据,以及同时使用标记数据,来进行模式识别工作。当使用半监督学习时,将会要求尽量少的人员来从事工作,同时,又能够带来比较高的准确性。
4:弱监督学习
(1)监督学习技术通过学习大量训练样本来构建预测模型,其中每个训练样本都有一个标签标明其真值输出。尽管当前的技术已经取得了巨大的成功,但是值得注意的是,由于数据标注过程的高成本,很多任务很难获得如全部真值标签这样的强监督信息。因此,能够使用弱监督的机器学习技术是可取的。本文综述了弱监督学习的一些研究进展,主要关注三种弱监督类型:不完全监督:只有一部分训练数据具备标签;不确切监督:训练数据只具备粗粒度标签;以及不准确监督:给出的标签并不总是真值。
(2)论文传送门:A brief introduction to weakly supervised learning