supervised,半监督学习 _学习

机器学习算法本身可以分为四类，监督学习，无监督学习，半监督学习与强化学习。无监督学习是找到数据的最佳表示，而监督学习是找到数据的最佳拟合。深度学习中的监督学习就是，给定一组训练数据，让网络学习如何把输入和输出对应上，或者说找到输入x所对应的输出y 。
无监督学习算法有哪些？
【supervised,半监督学习】

机器学习算法本身可以分为四类，监督学习，无监督学习，半监督学习与强化学习。我在研究生期间，研究的是粒子群算法与学习自动机，其中后者就属于没那么出名的强化学习算法类。当然，因为研究方向属于机器学习，因此对其他算法也有一点了解，在此给大家简单介绍几个无监督学习算法。K-means算法k-means算法应该是最出名的无监督学习算法，中文译名聚类算法。
算法流程是首先随机生成几个点叫做聚类中心，然后通过不断迭代来更新聚类中心位置以及围绕聚类中心的点（数据）。在不断的迭代过程中，有些聚类中心会由于失去其拥护者（围绕其的数据）而被抛弃。在初始化的时候，通常会选择k个聚类中心，不断迭代，直到达到优化目标结束。这个优化目标通常叫失真代价函数或者畸变函数，当函数达到最优解（相对最优，在这类连续空间中，是不可能找到绝对的全局最优解的）或迭代资源用尽，就算达到目标。
高斯混合模型高斯混合模型主要的特点在于可以对无标签的数据进行分组，然后再进行数据的聚类分析。ISOmap算法这个算法属于流行学习算法中的一种。流型学习算法对存在非线性关系的数据集的处理效果非常好，要比多元回归分析更加节约研究人员的人力。它通过将一个低维度流型嵌入到一个高维度空间来描述数据集，是一种无监督的评估器。
伪代码如下：from sklearn.datasets import load_digitsfrom sklearn.manifold import Isomapdigits = load_digits()digits.images.shape# 可视化数据集fig, axes = plt.subplots(10, 10, figsize=(8,8),subplot_kw={"xticks": [], "yticks": []},gridspec_kw=dict(hspace=0.1, wspace=0.1))for i, ax in enumerate(axes.flat):ax.imshow(digits.images[i], cmap="binary 。
什么是深度学习的监督学习？

深度学习中的监督学习就是，给定一组训练数据，让网络学习如何把输入和输出对应上，或者说找到输入 x 所对应的输出 y 。给定的训练数据通常都是由我们人为给它加上标签的，这就是「监督」的体现。也就是说，当网络一开始预测出来的结果与我们给定的标签不同，就会根据特定的算法来修改网络的参数，使预测结果逐渐接近我们给的标签。
算法就像一种惩罚机制一样，它可以把网络中的一些权重往可以让预测更加正确的方向去改变。所以简单地说，监督学习就是有人为给定某种反馈的学习方法，让网络可以自己学习出拟合我们给定的已标注数据的一个映射。无监督学习，通俗地说，其大多数尝试是指从不需要人为注释的样本分布总提取信息，就像一个聚类一样。无监督学习是找到数据的最佳表示，而监督学习是找到数据的最佳拟合。
数据挖掘，机器学习与深度学习中聚类、关联、决策跟分类是什么？

大数据的挖掘常用的方法有分类、回归分析、聚类、关联规则、神经网络方法、Web 数据挖掘等。这些方法从不同的角度对数据进行挖掘。所以总体可以认为深度学习跟机器学习都属于数据挖掘的方法。(1)分类分类是找出数据库中的一组数据对象的共同特点并按照分类模式将其划分为不同的类。比如我们在电商商平台上的各类产品，肯定要按照产品属性进行分类，对应的数据挖掘的分类，就是利用属性去寻找有共同特点的数据对象，归到一个大集合。