資料內(nèi)容：
1.1 機(jī)器學(xué)習(xí)分類(lèi)回顧
在機(jī)器學(xué)習(xí)的大框架下，我們最為熟知的兩大分支便是監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)。
監(jiān)督學(xué)習(xí)就像是有一位老師在旁邊指導(dǎo)的學(xué)習(xí)過(guò)程。我們會(huì)有一組已經(jīng)標(biāo)注好的數(shù)據(jù)，這些數(shù)據(jù)就像
是已經(jīng)有答案的練習(xí)題。例如在圖像分類(lèi)任務(wù)中，我們有一堆圖片，并且已經(jīng)知道每張圖片是貓還是
狗，通過(guò)這些帶有明確標(biāo)簽的數(shù)據(jù)來(lái)訓(xùn)練模型 ，模型學(xué)習(xí)數(shù)據(jù)中的特征與標(biāo)簽之間的映射關(guān)系，從而
能夠?qū)π碌奈粗獢?shù)據(jù)進(jìn)行準(zhǔn)確分類(lèi)或預(yù)測(cè)。常見(jiàn)的監(jiān)督學(xué)習(xí)算法包括決策樹(shù)、支持向量機(jī)、邏輯回歸
等。
無(wú)監(jiān)督學(xué)習(xí)則像是一個(gè)人在獨(dú)自探索未知領(lǐng)域。我們面對(duì)的是沒(méi)有標(biāo)注的數(shù)據(jù)，沒(méi)有 “標(biāo)準(zhǔn)答案” 的
指引，目標(biāo)是讓模型自己去發(fā)現(xiàn)數(shù)據(jù)中的潛在結(jié)構(gòu)、模式或關(guān)系 。比如聚類(lèi)算法，它可以將數(shù)據(jù)集中
相似的數(shù)據(jù)點(diǎn)聚集在一起，形成不同的簇，幫助我們理解數(shù)據(jù)的分布情況。像 K-Means 聚類(lèi)算法，就
是通過(guò)不斷迭代，將數(shù)據(jù)劃分到不同的簇中，使得同一簇內(nèi)的數(shù)據(jù)點(diǎn)相似度高，不同簇之間的數(shù)據(jù)點(diǎn)
相似度低。主成分分析（PCA）也是無(wú)監(jiān)督學(xué)習(xí)中的一種常用方法，它主要用于數(shù)據(jù)降維，去除數(shù)據(jù)
中的冗余信息，提取主要特征。
而半監(jiān)督學(xué)習(xí)，正如其名，它處于監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)之間，巧妙地結(jié)合了兩者的特點(diǎn) 。它利用少
量的標(biāo)注數(shù)據(jù)和大量的未標(biāo)注數(shù)據(jù)來(lái)進(jìn)行模型訓(xùn)練，這在實(shí)際應(yīng)用中具有重要意義，下面我們就來(lái)詳
細(xì)了解一下半監(jiān)督學(xué)習(xí)。
