“ 監(jiān)督學習，無監(jiān)督學習與神經(jīng)網(wǎng)絡既有聯(lián)系，又有區(qū)別”

在學習機器學習的過程中，監(jiān)督學習，無監(jiān)督學習和深度學習是我們經(jīng)常碰到幾個名詞。但很多人弄明白它們之間的關系，也不知道它們都能解決什么問題。

01、什么是監(jiān)督學習，無監(jiān)督學習和深度學習？

機器學習是實現(xiàn)人工智能的一種方式，今天只從機器學習的角度來討論監(jiān)督學習，無監(jiān)督學習和深度學習的關系。

簡單來說，機器學習從學習方式來說，分為監(jiān)督學習，無監(jiān)督學習，半監(jiān)督學習和強化學習。

深度學習也屬于機器學習，只不過其是通過模仿人類神經(jīng)元構造的神經(jīng)網(wǎng)絡模型，因為神經(jīng)網(wǎng)絡模型可以具有多層神經(jīng)網(wǎng)絡，因此又叫深度學習。

所以說，監(jiān)督學習和無監(jiān)督學習是兩種不同的學習方法，而深度學習是一種實現(xiàn)機器學習的方式。

舉例來說，監(jiān)督學習相當于有老師教，老師會告訴你怎么學，什么是對的，什么是錯的。而無監(jiān)督學習相當于自學，沒人告訴你應該怎么學，學成什么樣。而深度學習就相當于是看書學習，還是看視頻學習，還是討論學習。

因此，深度學習即可以是監(jiān)督學習，也可以是無監(jiān)督學習；同樣，監(jiān)督學習和無監(jiān)督學習即可以是深度學習，也可以不是深度學習。

什么是監(jiān)督學習和無監(jiān)督學習？

監(jiān)督學習和無監(jiān)督學習最直接的體現(xiàn)就是數(shù)據(jù)標注和學習目標的區(qū)別。

監(jiān)督學習的特點是其訓練數(shù)據(jù)需要進行標注，比如你想訓練一個識別貓狗的模型；你就要告訴模型，哪些照片是貓，哪些照片是狗。比如，把貓的照片放到一個文件夾，狗的照片放一個文件夾，然后文件夾的名字就是貓和狗。

這樣，文件夾的名字就是數(shù)據(jù)的標注/標簽；而里面的照片就是訓練數(shù)據(jù)。這就是監(jiān)督學習，你要告訴它數(shù)據(jù)的標注是什么，然后模型就可以根據(jù)標簽去提取照片特征，然后就知道了什么是貓，什么是狗。

無監(jiān)督的特點就是不需要給數(shù)據(jù)標注，讓它自己進行識別。比如，你弄了一堆貓狗的照片混合在一起，交給模型；這時模型會根據(jù)自己的算法去給照片進行分類。

這時，模型可能會把這些照片分成一類或多種類別，雖然模型也不知道這些類別是什么。比如，模型發(fā)現(xiàn)它們身上都有毛，并且都是四肢著地，這時就可能把它們歸為有毛的一類。

模型也可能會發(fā)現(xiàn)，雖然它們身上都有毛并且四肢著地，但其中一種動物的嘴巴是長的，另一個是扁的。這時就可能會把它們分為兩類。

所以，無監(jiān)督學習的目標和監(jiān)督學習不同；監(jiān)督學習是有具體的學習目標，知道需要認出狗和貓。而無監(jiān)督學習它不知道什么是貓，也不知道什么是狗，只知道根據(jù)數(shù)據(jù)的特點，做出自己的判斷。

因此，監(jiān)督學習和無監(jiān)督學習的應用場景也不同。舉個生活中的例子，比如你是班長，老師突然丟給你一堆學生的資料，然后讓你按照性別把資料給分開，這就是監(jiān)督學習。

而同樣的老師丟給你一堆學生資料，然后讓你整理一下，也沒告訴你按什么標準整理。這時，你只能按照自己的經(jīng)驗，按性別分為一類，按住址分為一類，按照成績，是否逃課等等標準進行分類，這種行為也叫做聚類。這時就需要用到無監(jiān)督學習。

基于神經(jīng)網(wǎng)絡的監(jiān)督學習代碼如下：

上面兩個例子很好的說明了監(jiān)督學習和無監(jiān)督學習的區(qū)別，一個目標明確知道自己該干什么，一個目標不明確，也不知道該干什么，只能根據(jù)自己的經(jīng)驗盡可能的把它弄好。

可能有人會有疑問，無監(jiān)督學習這種情況也沒有明確目標，那做的有什么意義呢？也不知道有沒有用，不是在浪費時間嗎？

例來說，互聯(lián)網(wǎng)中每天都會產(chǎn)生巨大的數(shù)據(jù)量，這些數(shù)據(jù)中到底隱藏著什么東西，我們沒人知道。而如果我們進行人工處理，這需要多大的工作量，哪怕是使用大數(shù)據(jù)技術去處理，這也只能根據(jù)我們?nèi)祟惖慕?jīng)驗去對這些數(shù)據(jù)進行分門別類。

但如果交給無監(jiān)督學習模型，它就會根據(jù)自己的算法，用它自己的方式去處理這些數(shù)據(jù)，這時就有可能會在我們?nèi)祟愊胂蟛坏降慕嵌劝l(fā)現(xiàn)問題。就類似于小孩子，雖然他們的行為不受控制，并且出乎意料，但有時也會給我們帶來意想不到的驚喜和驚嚇。

至于深度學習，如果把監(jiān)督學習和神經(jīng)網(wǎng)絡結合就可以訓練出一個具有明確目標的神經(jīng)網(wǎng)絡模型；而如果把無監(jiān)督學習和神經(jīng)網(wǎng)絡結合，那么就會訓練出一個處理未知數(shù)據(jù)能力的模型。

02、監(jiān)督學習和無監(jiān)督學習常見的方法

監(jiān)督學習

監(jiān)督學習常見的方法有以下幾種：

• 分類
• 回歸
• 序列標注

分類常見算法有以下幾種：

• 支持向量機
• K鄰近算法
• 決策樹
• 隨機深林
• 神經(jīng)網(wǎng)絡

回歸類常見算法有：

• 線性回歸
• 多項式回歸
• 支持向量回歸
• 神經(jīng)網(wǎng)絡

序列標注算法有：

• 馬可夫模型
• 條件隨機場
• 循環(huán)網(wǎng)絡

無監(jiān)督學習

而無監(jiān)督學習方法主要有：

• 聚類
• 降維
• 異常檢測
• 生成模型

聚類常見算法有：

• k均值聚類（k-Means Clustering）
• 層次聚類（Hierarchical Clustering）
• DBSCAN

降維常見算法有：

• 主成分分析（Principal Component Analysis, PCA）
• t分布鄰域嵌入（t-Distributed Stochastic Neighbor Embedding, t-SNE）
• 自編碼器（Autoencoder）的編碼部分

異常檢測常見算法有：

• 基于統(tǒng)計方法如均值和標準差
• 基于距離的方法如k近鄰算法
• 基于密度的方法如LOF（Local Outlier Factor）

生成模型常見算法有：

• 生成模型主要是無監(jiān)督學習使用神經(jīng)網(wǎng)絡模型實現(xiàn)。
• 自編碼器
• 變分自編碼器（Variational Autoencoder, VAE）
• 生成對抗網(wǎng)絡（Generative）

目前來看，無監(jiān)督學習的主要難點在于損失的計算；因為無監(jiān)督學習沒用標注也就導致其沒有一個標準的判斷條件，直接導致你無法判斷模型訓練的到底效果怎么樣，只能在實際數(shù)據(jù)中去評估測試，所以無監(jiān)督學習目前還有很大的缺陷。

不過無監(jiān)督學習在生成模型方面有巨大的市場潛力，比如在藝術處理，聲音合成和圖片/視頻生成等領域。

本文轉載自公眾號AI探索時代 作者：DFires

原文鏈接：??https://mp.weixin.qq.com/s/W2qZN7yIy5Pzazt0LQw4mw??