一、有监督学习和无监督学习的区别？

监督学习和无监督学习是机器学习中两种不同的学习方法。

1. 监督学习: 监督学习是根据有标记的训练数据进行学习，并通过构建一个函数来预测新的、未见过的数据的输出标签。在监督学习中，训练数据被标记并包括训练样本和它们的标签，目标是学习一个函数，使它能够精确地关联这些标签与新的、未见过的数据。 监督学习的例子包括图像识别、文本分类、垃圾邮件检测等。

2. 无监督学习: 无监督学习是在没有标签的情况下进行学习，该方法旨在发现数据中的模式和规律。在无监督学习中，训练数据没有标签标识，模型使用维度缩减和聚类来鉴别数据之间的关系和规律。无监督学习的例子包括市场细分、异常检测等。

总之，两种学习方法的不同点在于是否存在标记和用途。监督学习需要有标记数据以进行预测，而无监督学习则不需要有这些标记，主要用于发现隐含的数据关系。

二、“有监督学习”和“监督学习”分别是什么？

监督学习的英文是supervised learning，supervise翻译过来就是监督另外这个词放到实际语境下也很好理解，监督学习给的数据都是带着标签的，标签就类似于一个监督者无监督学习送进去的数据不含有标签，一般也没什么标准能够用来绝对的判定分类/学习结果是好是坏。

三、简述有监督和无监督离散化的区别？

通过将属性值域划分为区间，数据离散化技术可以用来减少给定连续属性值的个数。区间的标记可以替代实际的数据值。用少数区间标记替换连续属性的数值，从而减少和简化了 原来的数据。

这导致挖掘结果的简洁、易于使用的、知识层面的表示。离散化技术可以根据如何进行离散化加以分类，如根据是否使用类信息或根据进行方向（即自顶向下或自底向上）分类。

如果离散化过程使用类信息，则称它为监督离散化（supervised iscretization）；否则是非监督的（unsupervise

四、决策树是监督的还是无监督的？

决策树(Decision Trees ，DTs)是一种无监督的学习方法，用于分类和回归。

五、lstm是无监督模型吗？

lstm是无监督模型。长短期记忆网络 - 通常只称为“LSTM” ，是一种特殊的RNN，能够学习长期的规律。LSTM明确旨在避免长期依赖性的问题。 长时间记住信息实际上是他们的默认行为，而不是他们难以学习的东西。

六、什么是无监督数据挖掘？

无监督数据挖掘是指从大量数据中寻找其规律的技术，是统计学、数据库和人工智能等技术的综合，是从大量、不完全、有噪声、模糊、随机的实际应用数据中，提取隐含在其中、事先不知道、但有潜在的有用信息和知识的过程。

七、监督学习的主要类型是？

监督学习是指：利用一组已知类别的样本调整 分类器的 参数，使其达到所要求性能的过程，也称为 监督训练或有教师学习。

监督学习是从标记的训练数据来推断一个功能的机器学习任务。训练数据包括一套训练示例。在监督学习中，每个实例都是由一个输入对象（通常为矢量）和一个期望的输出值（也称为监督信号）组成。监督学习算法是分析该训练数据，并产生一个推断的功能，其可以用于映射出新的实例。一个最佳的方案将允许该算法来正确地决定那些看不见的实例的类标签。这就要求学习算法是在一种“合理”的方式从一种从训练数据到看不见的情况下形成。

八、大力学习机怎么监督作业？

打开大学习机的摄像头，把做好的作业放好扫描拍照就可以了。

九、kmeans算法为什么是无监督？

kemeans是聚类方法的一种。聚类算法一身就是一种无监督的学习方法，它只是根据获得饿数据进行分类，事先不明确要分成多少类

十、无监督分析法有哪些？

无监督分析法主要有主成分分析方法PCA等，等距映射方法、局部线性嵌入方法、拉普拉斯特征映射方法、黑塞局部线性嵌入方法和局部切空间排列方法等。

从原理上来说PCA等数据降维算法同样适用于深度学习，但是这些数据降维方法复杂度较高，并且其算法的目标太明确，使得抽象后的低维数据中没有次要信息，而这些次要信息可能在更高层看来是区分数据的主要因素。所以现在深度学习中采用的无监督学习方法通常采用较为简单的算法和直观的评价标准。