机器学习基础（用去噪方法理解监督学习种类）

用denoise举例

监督学习：数据与标记有一一对应的关系，即每张噪声图均对应一个clean图。如直接用CNN直接学习noise- clean的映射关系。

半监督学习：大量未标记数据和少量标签数据。

无监督学习：已知数据没有任何标签，将所有数据映射到不同标签。

自监督学习：可视为无监督学习，标注信息都来自于数据自身。方法有1.类似MAE，对图像进行变换：

对比学习：

对于去噪任务，只包含一个有噪声的数据集（没有与之对应的clean image）。 

常使用的方法是blind spot prediction：通常假设clean image一个像素点与其邻接像素点是高度相关的，而噪声是像素独立的。因此将目标像素点mask，用训练的网络将mask通过邻近像素重建，即达到去噪作用。

 zero-shot：Dataset-free ，无需专门的训练数据集。

离线学习

离线学习(offline learning), 即我们手中有全部的训练数据.

在线学习(online learning)数据可能是以流式的形式, 我们一次只能看到部分的数据, 我们只能根据目前看到的这部分的数据进行训练。

表征学习（Representation Learning）

表征学习的目的是对复杂的原始数据化繁为简，把原始数据的无效的或者冗余的信息剔除，把有效信息进行提炼，形成特征（feature）。需要借助特定的算法自动提取原始数据。