🌟 欢迎来到AI奇妙世界！ 🌟
亲爱的开发者朋友们，大家好！👋
我是人工智能领域的探索者与分享者，很高兴在CSDN与你们相遇！🎉 在这里，我将持续输出AI前沿技术、实战案例、算法解析等内容，希望能和大家一起学习、交流、成长！💡
🔥 为什么关注AI？
人工智能正在重塑世界！🌍
🚀 深度学习让机器拥有"视觉""听觉"
🤖 **大模型（如GPT、文心一言）**改变人机交互方式
📊 数据科学赋能商业决策
🏥 AI医疗助力精准诊断
🛒 智能推荐优化用户体验
无论你是AI新手👶，还是资深极客👨💻，这里都有适合你的内容！
📌 你将在这里看到什么？
✅ AI基础入门（Python、TensorFlow/PyTorch）
✅ 实战项目（图像识别、NLP、推荐系统）
✅ 论文解读（CVPR、NeurIPS最新研究）
✅ 行业动态（AI政策、大模型进展）
✅ 避坑指南（训练技巧、调参经验）
💬 期待与你互动！
📢 评论区随时交流，欢迎提问！
💌 私信开放，一起探讨技术难题！
🤝 关注我，AI学习路上不迷路！
最后，送上一句AI圈的经典名言：
"人工智能不会取代人类，但会用AI的人会取代不用AI的人。"
让我们一起拥抱AI时代，用代码改变未来！🚀
点击关注👉，开启AI之旅！ 🔥🔥🔥
目录
一.监督学习
1.定义
输入数据是由特征值和目标值组成。
- 函数的输出可以是连续的值（称为回归）
- 函数的输出可以是离散的值（称为分类）
①回归
举例：预测房价，根据样本集拟合出一条连续的曲线。
②分类
举例：根据肿瘤特征判断良性还是恶性，得到的结果是"良性"或者"恶性"，是离散的。
二.无监督学习
1.定义
输入数据是由特征值组成的，而没有目标值。
- 输入数据没有被标记，也没有确定的结果，样本数据类别未知；
- 需要根据样本间的相似性对样本集进行类别划分。
举例：根据某些特征，对下面图片中的人进行分类
2.无监督学习、监督学习的对比
三.半监督学习
1.定义
训练集同时包含有目标值的样本数据和无目标值的样本数据。
四.强化学习
1.定义
实质是make decisions问题，即自动进行决策，并且可以做连续决策。
2.举例
3.监督学习和强化学习的对比
独立同分布：独立同分布（i.i.d.）是指一组随机变量彼此独立且服从相同的概率分布，是统计建模和机器学习的基础假设之一。
小结
标签，即：目标值。
我们主要学的就是监督学习。
以上就是本篇文章的全部内容，喜欢的话可以留个免费的关注呦~~~