🌟 歡迎來到AI奇妙世界！ 🌟

親愛的開發者朋友們，大家好！👋

我是人工智能領域的探索者與分享者，很高興在CSDN與你們相遇！🎉 在這里，我將持續輸出AI前沿技術、實戰案例、算法解析等內容，希望能和大家一起學習、交流、成長！💡

🔥 為什么關注AI？

人工智能正在重塑世界！🌍

🚀 深度學習讓機器擁有“視覺”“聽覺”
🤖 **大模型（如GPT、文心一言）**改變人機交互方式
📊 數據科學賦能商業決策
🏥 AI醫療助力精準診斷
🛒 智能推薦優化用戶體驗
無論你是AI新手👶，還是資深極客👨💻，這里都有適合你的內容！

📌 你將在這里看到什么？

? AI基礎入門（Python、TensorFlow/PyTorch）
? 實戰項目（圖像識別、NLP、推薦系統）
? 論文解讀（CVPR、NeurIPS最新研究）
? 行業動態（AI政策、大模型進展）
? 避坑指南（訓練技巧、調參經驗）

💬 期待與你互動！

📢 評論區隨時交流，歡迎提問！
💌 私信開放，一起探討技術難題！
🤝 關注我，AI學習路上不迷路！

最后，送上一句AI圈的經典名言：

“人工智能不會取代人類，但會用AI的人會取代不用AI的人。”

讓我們一起擁抱AI時代，用代碼改變未來！🚀

點擊關注👉，開啟AI之旅！ 🔥🔥🔥

目錄

一.監督學習

1.定義

①回歸

②分類

二.無監督學習

1.定義

2.無監督學習、監督學習的對比

三.半監督學習

1.定義

四.強化學習

1.定義

2.舉例

3.監督學習和強化學習的對比

小結

---

一.監督學習

1.定義

輸入數據是由特征值和目標值組成。

• 函數的輸出可以是連續的值（稱為回歸）
• 函數的輸出可以是離散的值（稱為分類）

①回歸

舉例：預測房價，根據樣本集擬合出一條連續的曲線。

②分類

舉例：根據腫瘤特征判斷良性還是惡性，得到的結果是“良性”或者“惡性”，是離散的。

二.無監督學習

1.定義

輸入數據是由特征值組成的，而沒有目標值。

• 輸入數據沒有被標記，也沒有確定的結果，樣本數據類別未知；
• 需要根據樣本間的相似性對樣本集進行類別劃分。

舉例：根據某些特征，對下面圖片中的人進行分類

2.無監督學習、監督學習的對比

?

三.半監督學習

1.定義

訓練集同時包含有目標值的樣本數據和無目標值的樣本數據。

四.強化學習

1.定義

實質是make decisions問題，即自動進行決策，并且可以做連續決策。

2.舉例

3.監督學習和強化學習的對比

獨立同分布：獨立同分布（i.i.d.）是指一組隨機變量彼此獨立且服從相同的概率分布，是統計建模和機器學習的基礎假設之一。

小結

標簽，即：目標值。

我們主要學的就是監督學習。

以上就是本篇文章的全部內容，喜歡的話可以留個免費的關注呦~~~

?