AI领域：机器学习中的两大核心方法是监督学习和非监督学习

ML被视为人工智能领域的重要组成部分。基于算法与统计模型的技术推动了计算机在数据分析与决策支持方面的进步。根据训练数据与学习目标的差异性分类为监督型与非监督型两大类。本文旨在全面解析这两种技术的基本概念、显著特征以及实际应用领域。

监督学习

作为依赖标注过数据来进行训练的机器学习技术之一，监督学习必须具备这样的基础：每个训练样本都由两部分组成：输入特征以及对应的目标标签。该模型通过建立输入与目标间的关联模式来推断未知案例的结果。

主要特点：

1. 标注数据：监督学习基于标注数据集，在每个样本中明确包含输入变量及其对应的输出变量。
2. 清晰的目的：模型致力于建立输入变量与输出变量之间的映射关系。
3. 训练过程：在训练阶段中，在每次迭代中模型都会评估预测结果与真实标签间的差异程度（即损失函数值），并通过优化参数设置来持续改进模型性能直至达到最优状态。

常见算法：

• 线性回归（Simple Linear Regression）
  • 逻辑回归（Logit Model）
  • 决策树（CART Algorit