有監督無監督

『壹』 隱馬爾科夫是無監督還是有監督的

網路 非監督學習里包括了隱馬爾可夫

『貳』 什麼是有監督學習和無監督學習

監督學習
英漢詞典解釋
監督學習詞性解釋
【計】 supervised learning
supervised learning
supervised learning
監督學習
利用一組已知類別的樣本調整分類器的參數，使其達到所要求性能的過程，也稱為監督訓練或有教師學習。正如人們通過已知病例學習診斷技術那樣，計算機要通過學習才能具有識別各種事物和現象的能力。用來進行學習的材料就是與被識別對象屬於同類的有限數量樣本。監督學習中在給予計算機學習樣本的同時，還告訴計算各個樣本所屬的類別。若所給的學習樣本不帶有類別信息,就是無監督學習。任何一種學習都有一定的目的,對於模式識別來說，就是要通過有限數量樣本的學習，使分類器在對無限多個模式進行分類時所產生的錯誤概率最小。
不同設計方法的分類器有不同的學習演算法。對於貝葉斯分類器來說，就是用學習樣本估計特徵向量的類條件概率密度函數。在已知類條件概率密度函數形式的條件下，用給定的獨立和隨機獲取的樣本集，根據最大似然法或貝葉斯學習估計出類條件概率密度函數的參數。例如，假定模式的特徵向量服從正態分布，樣本的平均特徵向量和樣本協方差矩陣就是正態分布的均值向量和協方差矩陣的最大似然估計。在類條件概率密度函數的形式未知的情況下，有各種非參數方法，用學習樣本對類條件概率密度函數進行估計。在分類決策規則用判別函數表示的一般情況下,可以確定一個學習目標,例如使分類器對所給樣本進行分類的結果盡可能與「教師」所給的類別一致，然後用迭代優化演算法求取判別函數中的參數值。
在無監督學習的情況下，用全部學習樣本可以估計混合概率密度函數，若認為每一模式類的概率密度函數只有一個極大值，則可以根據混合概率密度函數的形狀求出用來把各類分開的分界面。

『叄』 什麼是有監督的學習，什麼是無監督的學習，什

這個問題可以回答得很簡單：是否有監督（supervised），就看輸入數據是否有標簽（label）。輸入數據有標簽，則為有監督學習，沒標簽則為無監督學習。

但根據知乎慣例，答案還是要繼續擴展的。

首先看什麼是學習（learning）？一個成語就可概括：舉一反三。此處以高考為例，高考的題目在上考場前我們未必做過，但在高中三年我們做過很多很多題目，懂解題方法，因此考場上面對陌生問題也可以算出答案。機器學習的思路也類似：我們能不能利用一些訓練數據（已經做過的題），使機器能夠利用它們（解題方法）分析未知數據（高考的題目）？

最簡單也最普遍的一類機器學習演算法就是分類（classification）。對於分類，輸入的訓練數據有特徵（feature），有標簽（label）。所謂的學習，其本質就是找到特徵和標簽間的關系（mapping）。這樣當有特徵而無標簽的未知數據輸入時，我們就可以通過已有的關系得到未知數據標簽。

在上述的分類過程中，如果所有訓練數據都有標簽，則為有監督學習（supervised learning）。如果數據沒有標簽，顯然就是無監督學習（unsupervised learning）了，也即聚類（clustering）。

『肆』 有監督學習和無監督學習的區別

機器學習任務根據訓練樣本是否有label，可以分為監督學習和無監督學習
監督學習的訓練樣本有label，主要是學習得到一個特徵空間到label的映射，如分類、回歸等
無監督學習的訓練樣本沒有label，主要是發現樣本的內部結構，如聚類、降維、可視化等

『伍』 線性判別lda是有監督還是無監督

線性判別LDA是有監督的，它需要用類標簽來將不同的樣本映射到不同的直線上，使得同類樣本之間的類內距最小，不同樣本的類間距最大。
而主題模型LDA是無監督的。

『陸』 監督學習和無監督學習之間有沒有界限

目標是我們不告訴計算機怎麼做，而是讓它(計算機)自己去學習怎樣做一些事情。非監督學習一般有兩種思路。第一種思路是在指導Agent時不為其指定明確的分類，而是在成功時採用某種形式的激勵制度。需要注意的是，這類訓練通常會置於決策問題的框架里，因為它的目標不是產生一個分類系統，而是做出最大回報的決定。這種思路很好的概括了現實世界，Agent可以對那些正確的行為做出激勵，並對其他的行為進行處罰。
強化學習的一些形式常常可以被用於非監督學習，由於沒有必然的途徑學習影響世界的那些行為的全部信息，因此Agent把它的行為建立在前一次獎懲的基礎上。在某種意義上，所有的這些信息都是不必要的，因為通過學習激勵函數，Agent不需要任何處理就可以清楚地知道要做什麼，因為它(Agent)知道自己採取的每個動作確切的預期收益。對於防止為了計算每一種可能性而進行的大量計算，以及為此消耗的大量時間(即使所有世界狀態的變遷概率都已知)，這樣的做法是非常有益的。另一方面，在嘗試出錯上，這也是一種非常耗費時間的學習。
不過這一類學習可能會非常強大，因為它假定沒有事先分類的樣本。在某些情況下，例如，我們的分類方法可能並非最佳選擇。在這方面一個突出的例子是Backgammon(西洋雙陸棋)游戲，有一系列計算機程序(例如neuro-gammon和TD-gammon)通過非監督學習自己一遍又一遍的玩這個游戲，變得比最強的人類棋手還要出色。這些程序發現的一些原則甚至令雙陸棋專家都感到驚訝，並且它們比那些使用預分類樣本訓練的雙陸棋程序工作得更出色。
一種次要的非監督學習類型稱之為聚合(clustering)。這類學習類型的目標不是讓效用函數最大化，而是找到訓練數據中的近似點。聚合常常能發現那些與假設匹配的相當好的直觀分類。例如，基於人口統計的聚合個體可能會在一個群體中形成一個富有的聚合，以及其他的貧窮的聚合。

『柒』 有監督和無監督的化學模式識別方法的異同

有監督就是給個輸入，有個輸出和他對應，然後去建立模型
最後要用這個模型來預測輸出
無監督就是沒有給你輸出和他對應，典型的演算法如聚類演算法等

『捌』 圖像分割演算法是有監督還是無監督的

聽他人說的：無監督與監督學習的區別在於一個無教學值，一個有教學值。但是，個人認為他們的區別在於無監督學習一般是採用聚簇等演算法來分類不同樣本。而監督學習一般是利用教學值與實際輸出值產生的誤差，進行誤差反向傳播修改權值來完成網路修

『玖』 監督學習與無監督學習有什麼不同

監督學習是從標記的訓練數據來推斷一個功能的機器學習任務。在監督學習中，每個實例都是由一個輸入對象(通常為矢量)和一個期望的輸出值(也稱為監督信號)組成。監督學習演算法是分析該訓練數據，並產生一個推斷的功能，其可以用於映射出新的實例。
無監督學習是機器學習的一個分支，它從未經標記或分類的測試數據中學習。它本質上是一個統計手段，在沒有標簽的數據里可以發現潛在的一些結構。
兩者的主要區別是：
1.監督學習是一種目的明確的訓練方式，你知道得到的是什麼;而無監督學習則是沒有明確目的的訓練方式，你無法提前知道結果是什麼。
2.監督學習需要給數據打標簽;而無監督學習不需要給數據打標簽。
3.監督學習由於目標明確，所以可以衡量效果;而無監督學習幾乎無法量化效果如何。