监督学习和无监督学习是机器学习中两个最基本的范畴。它们的主要区别在于是否需要标注数据作为训练样本。
什么是监督学习和无监督学习？
监督学习是指利用标记的数据（通常称为训练数据）作为输入，训练一个模型来学习输入和输出之间的关系。模型学习后可以用于预测新的、未见过的数据的输出。这种学习方式的目标是找到一个函数，使其将输入数据映射到输出数据。监督学习的例子包括分类、回归、序列标注等任务。
无监督学习是指从没有标记的数据中学习模型，该模型试图发现数据内在的结构和模式，而不是预测输出变量。无监督学习的目标是发现数据之间的相似性或关联性，并将其归为一类或者提取数据的特征。无监督学习的例子包括聚类、降维、异常检测等任务。
监督学习和无监督学习有不同的应用场景和作用：
- 监督学习通常适用于已知输出变量的情况，例如分类和回归问题。它的目标是通过学习已知的输入和输出之间的关系来预测新的输出。
- 无监督学习适用于没有标签的数据集，例如聚类和降维问题。它的目标是从数据中发现有用的模式和结构，以便进一步的分析和处理。
在实际应用中，监督学习和无监督学习通常都需要相互配合，例如使用无监督学习方法进行数据预处理和特征提取，然后使用监督学习方法进行分类或回归任务。
免费分享一些我整理的人工智能学习资料给大家，整理了很久，非常全面。包括一些人工智能基础入门视频+AI常用框架实战视频、计算机视觉、机器学习、图像识别、NLP、OpenCV、YOLO、pytorch、深度学习与神经网络等视频、课件源码、国内外知名精华资源、AI热门论文等。
下面是部分截图，点击文末名片关注我的公众号【AI技术星球】发送暗号 321 领取（一定要发暗号 321）
目录
一、人工智能免费视频课程和项目
二、人工智能必读书籍
三、人工智能论文合集
四、机器学习+计算机视觉基础算法教程
五、深度学习机器学习速查表（共26张）
学好人工智能，要多看书，多动手，多实践，要想提高自己的水平，一定要学会沉下心来慢慢的系统学习，最终才能有所收获。