前言
刚开始接触机器学习，一股脑涌进来好多新的概念，想看视频课、看相关书籍进行学习，头昏脑涨地更厉害了，严重打击了学习的信心，所以我今天做了一个梳理，先理顺一下这些个概念之间的关系，然后再进行深入学习，我觉得这样在接下来的学习中效果会更好一些。
正文
在聊接下来的内容之前，我先讲一下模型和算法是什么。
模型 （model）就是机器学习算法从数据中学习到的"规律"或"函数"，就像从1,3,5,7,...1,3,5,7,...1,3,5,7,...这些数字中总结出（2n+12n+12n+1，n∈Nn \in Nn∈N）这个规律，这就是一个非常简单的数列模型，之后，你只需要把任何一个正整数输入这个模型，它就能根据学习到的规律输出一个结果。当然，模型的形式不只有公式，它还可以是一条直线或曲线、一棵决策树、一片森林、一个复杂的神经网络、一个支持向量机等等。训练 （train）就是学习这个规律的过程，推理（infer）就是应用这个规律的过程。
算法 （Algorithm）是过程，是学习方法，好比一本菜谱，模型（model）是结果，是学习到的规律本身，好比你通过菜谱练习炒菜，最终掌握了这门手艺，这个"手艺"就是一个模型，你可以根据这个手艺来炒任何菜。在实践中，模型也可以指模型结构（如线性模型、神经网络架构），而算法指训练这个模型的优化方法（如梯度下降）。
机器学习
我们都知道人工智能，AI嘛，就是致力于让机器在感知、推理、学习、决策等方面表现出智能，那么怎么才能让机器变得智能呢，就像我们人类能从一堆数据中总结出规律一样，让机器思考的一种核心方法就是让机器自己从数据中学习规律，并进行预测或决策，即机器学习（Machine Learning，ML）。
那么方式呢，怎么才能让机器进行学习呢？我们刚开始接触数列的时候，老师通常都会先告诉我们什么是数列，数列的分类，然后再告诉你不同的数列应用不同的通项公式去求这个数列的公式，然后再出大量的题目给我们练习，在机器学习中类似于这种传统的教学方法就是传统机器学习方法，具体的一些算法如决策树、SVM、线性回归。
也不免有一些特别聪明的人，根本不用老师教怎么做，他通过练习大量的题目，并通过从这些题目中得到相应的反馈（比如答案正确与否），然后自己就能摸索出各种类型数列的通项公式，这就是深度学习 （Deep Learning）。深度学习的核心就是使用了一种叫做神经网络（Neural Network）的复杂模型来学习的，取名来源是受人脑神经元启发，但与人脑仍有巨大差别。这种神经网络的架构也分很多种，我见过最多的是卷积神经网络（Convolutional Neural Networks，CNN）、循环神经网络（Recurrent Neural Networks，RNN）和Transformer架构，这些概念又是什么意思，有什么区别，可以留到后面学习，这里只做简单梳理。
监督学习、无监督学习和强化学习
既然有了学习方式，我们还得有学习目标，于是监督学习 （Supervised Learning）、无监督学习 （Unsupervised Learning）和强化学习（Reinforcement Learning）就闪亮登场了。要区分这三种学习目标，首先要看是否基于与环境交互的奖励机制，如果是，那么就是强化学习，如果不是，就看数据集是否有标签，如果有标签（包括数据集中部分数据有标签），那就是监督学习，否则就是无监督学习，如下图（ps：示意图，仅帮助理解），啥意思呢，且听我慢慢道来。
强化学习（Reinforcement Learning）
我们首先来了解一下什么是奖励机制，我们想象这样一个场景，你身处在一片望不到头的瓜田里面，瓜田的主人让你学习挑好瓜的本领，你每挑好一个瓜，瓜田主人都会给予你相应的奖励或惩罚（假设瓜田主人看一眼瓜就知道好坏）。比如你挑到一个好瓜，瓜田主人就奖励你一百块，如果你挑到一个坏瓜或者没熟的瓜，就罚你一百块，全程瓜田主人都不会给你任何提示，只是通过这种奖惩机制让你学习哪种瓜可能是好瓜。你通过这种与环境的交互从中学习好瓜具有的特征，从中总结出规律，从而练就挑瓜的本领。练成的这种本领叫什么？对了，就叫模型。这样一个过程就是强化学习的过程。奖励机制替代了标签，它是强化学习与监督/无监督学习最大的区别。
无监督学习（Unsupervised Learning）
假如我们手里有一堆动物的图片，那么对这些图片命的名就是标签（label）。因此如果这些图片没有任何一张有命名，把这些图片喂给机器让其学习，这就是无监督学习。用生活中的例子，把老师比作标签，你要做的习题集就是数据集，那么无监督学习，顾名思义就是没有老师监督你学习，也没有标准答案，你完全靠自己发现这些习题集之间的联系或规律。
进行无监督学习的方法中最著名的就是自监督学习，自己监督自己去学习，你会自己给自己出题，比如故意把一道题的题目遮住一部分，然后猜被遮住的内容是什么，通过这种方式，从数据本身创造标注，然后进行学习的过程。自监督学习不依赖人工标注，因此在数据层面可视作广义无监督；但它通过从数据中自动生成伪标签，把任务转化为监督训练，因此也常被认为是介于无监督与监督之间的特殊形式。
监督学习（Supervised Learning）
监督学习与无监督学习的区别从名字上看就很明显，既然无监督学习没有老师监督你学习，那么监督学习就是有老师监督你学习了。还是无监督学习里面举的那堆动物图片，如果那堆图片有被命名的，把这些图片喂给机器让其学习，就是监督学习。既然有图片被命名，那么根据图片命名的多少和精度，我们又可以分为强监督学习 （Fully Supervised Learning）、弱监督学习 （Weakly Supervised Learning）和半监督学习（Semi-Supervised Learning）。
强监督学习就是所有图片都被精确的命名，包括每张图片是什么动物、动物在图片什么位置、在做什么动作等等精准的信息；弱监督学习也是所有图片都被命名，但不是精准的，图片的命名可能只包括动物类型，且命名可能有错误（即常说的噪声noisy/noise）；半监督学习的思想是结合了监督学习和无监督学习，这个方法的数据集是只有部分数据被精准标注，其余数据都没有被标注。
再举一个生活中的例子来加深对这三种监督学习的理解：
强监督就是老师对习题集中的每道题都非常详细的讲解，不仅有标准答案，还有解题过程。
弱监督就是老师只给你最终答案，不给你解题过程，甚至答案有可能是错误的（即有噪声），你需要从这些不完美的信息中学习。
半监督就是老师很忙，只能给你详细解答习题集中的部分题目，其余题目都是没有答案的，你需要从老师讲解的题中找到解题方法，然后去做那些没有答案的题目。你通过研究那些没有答案的题目加深了对知识点的理解，从而能更好的解答没有出现在习题集中的题目。这种即利用了老师的指导（监督），又进行了自我探索（无监督）的方法就是半监督学习，所以我才会说半监督的思想是结合了监督学习和无监督学习。
这里说的其实是狭义上对弱监督学习的定义，在最开始的研究中，"弱监督"通常指的是标签本身的质量问题，半监督学习只有部分标签被精准标注，所以和弱监督学习不同，因此半监督学习和弱监督学习是同级关系。但是广义上对弱监督学习的定义是指任何比强监督学习更弱、更廉价、更容易获取的标注信息的学习范式都是弱监督，此时，半监督学习是被纳入弱监督学习的范畴的。
所以从广义上对弱监督学习的定义，它被分为三大分支：不完整、不精确、不准确监督。这三种分类同样是针对数据集的，分别表示数据集只有一小部分有标签、数据集的标签不够精细、数据集的标签存在噪声，也都是能从字面上理解这三种分类的。
因此，在广义上对弱监督的定义中，半监督学习就属于不完整的监督这一类。
总结
有些同学可能会有点混淆了传统机器学习\深度学习和监督学习\无监督学习\强化学习，前者是学习"工具"，后者是学习"目标"，任何一种"学习目标"都可以用不同的"工具来实现。比如我们学习的最终目标是考研上岸，不同的同学用不同的方法，有些同学喜欢自己学，有些同学觉得自己学习能力不足，需要用到一些高级的工具，如网课、线下报班之类的。用一个图来帮助我们理解：
所以我们要让机器学习，首先要看任务是否涉及与环境的交互和奖励机制，如果是，就属于强化学习；如果不是，再根据数据是否带标签选择监督或无监督。确定好了目标之后，我们再选择用什么工具来实现，可以使用传统的机器学习算法，也可以搭建复杂的深度学习模型，甚至二者结合。
关于这些概念大概就梳理到这里了，下一期我再继续详细讲弱监督学习。