有監督和無監督學習都各有哪些有名的演算法和深度學習？

小白一個，剛開始學習。想問一下有監督學習和無監督學習的區別，請用比較淺顯的方法描述。另外他們各自都有哪些有名的演算法？比如受限波爾茲曼機屬於有/無監督演算法？

深度學習應該算是無監督的演算法大類吧？

抱歉非常小白的問題，可能會有描述不清的地方，還請大牛指教

---

看您是做量化的，最近在找類似的工作，跟您講講我對機器學習的認識。

深度學習是個框架，有監督無監督學習演算法都有。

什麼是有監督學習呢，簡而言之，就是分類演算法。

有監督學習稱作有老師的學習, 老師這個概念很虛，簡而言之，就是樣本的標籤已經打好了。

反之，無監督學習是沒有老師的學習，樣本的標籤沒有打好。

標籤這個概念也有點玄幻，我下次再來講講標籤這個概念。

=============================分割線==================

標籤，簡而言之，就是樣本的分類標籤，是不重合的，比如男/女，價值/非價值。

舉個例子，判斷一支股票是價值型還是非價值型。

我們有三隻股票

PE-Ratio 標籤

股票a 3 價值

股票b 5 價值

股票c 2 非價值

假如要做一個分類系統，很顯然，那就是如果 PE-Ratio大於3，就是價值型股票。

分類系統做好了，現在新來一支股票，PE-Ratio是4，系統判斷4&>3,那就是價值股票。

簡而言之，有訓練樣本的，就是監督型學習。回歸也是監督型學習，因為必須要有標籤的數據集才能訓練樣本。

==========================無監督學習 ====================================

無監督學習一般指的是聚類演算法，我們事先不知道樣本的類別，通過某種辦法，把相似的樣本放在一堆，比如我們假設一共有兩類數據在樣本中，那麼我們將樣本聚成兩類，經過定性分析，就可以給兩類加標籤了。

---

訓練集由輸入有輸出是有監督，包括所有的回歸演算法分類演算法，比如線性回歸 決策樹 神經網路

訓練集只有輸入沒有輸出是無監督，包括所有的聚類演算法，比如k-means PCA gmm等

深度學習只是指結構有深度的演算法，可以無監督可以有監督

比如sparse coding/sparse auto encoder是無監督，CNN是有監督

---

1.有監督學習和無監督學習的區別：是否有訓練樣本用於訓練。監督學習：有訓練樣本用於訓練→得模型→利用這個模型，對未知數據分類。無監督學習：事先沒有任何訓練數據樣本，而直接對數據進行建模（轉例：比如我們去參觀一個畫展，我們對藝術一無所知，但是欣賞完很多幅作品之後，我們面對一幅新的作品之後，至少可以知道這幅作品是什麼派別的吧，比如更抽象一些還是更寫實一點，雖然不能很清楚的了解這幅畫的含義，但是至少我們可以把它分為哪一類）

2.有監督學習和無監督學習舉例：監督學習（K-近鄰演算法、決策樹、樸素貝葉斯、邏輯回歸），非監督學習（聚類、EM演算法等）

3.受限波爾茲曼機屬於無監督學習（參考：無監督學習(Unsupervised Learning)）

4.深度學習既有監督學習，也有無監督學習

我也是小白，一起學習 O(∩_∩)O

---

神經網路和聚類是什麼樣的關係呀。是聚類完然後放到神經網路上面進行訓練嗎 ？

---

推薦閱讀：