一、监督学习 vs 无监督学习
1. 监督学习（Supervised Learning）
- 定义 ：模型从带有标签的数据中学习规律。
- 关键特征：每条输入数据都有一个"正确答案"（标签）。
- 目标：学会从输入预测输出。
✅ 例子：
- 输入一张猫的图片 → 标签是 "猫"
- 输入一段话："这部电影太棒了！" → 标签是 "正面情感"
🧠 常见任务：
- 分类（Classification）：预测类别（如垃圾邮件/非垃圾邮件）
- 回归（Regression）：预测数值（如房价、温度）
💡 数据标注主要服务于监督学习，因为标签需要人工或半自动方式提供。
2. 无监督学习（Unsupervised Learning）
- 定义 ：模型从没有标签的数据中发现隐藏结构。
- 关键特征：只有输入，没有"正确答案"。
- 目标：发现数据中的模式、分组或降维。
✅ 例子：
- 给1000个用户行为数据，自动分成"高活跃""低活跃"等群体（聚类）
- 把高维数据压缩成2D以便可视化（降维，如PCA）
🧠 常见任务：
- 聚类（Clustering）：如K-Means
- 降维（Dimensionality Reduction）
- 异常检测（Anomaly Detection）
❗ 无监督学习不需要人工标注，但效果通常不如监督学习可控。
对比总结表：
表格
| 特性 | 监督学习 | 无监督学习 |
|---|---|---|
| 是否需要标签 | ✅ 需要 | ❌ 不需要 |
| 数据标注角色 | 核心 | 无 |
| 典型任务 | 分类、回归 | 聚类、降维 |
| 应用举例 | 图像识别、语音识别 | 客户分群、推荐系统 |
二、训练集、验证集、测试集的作用
想象你在教一个学生准备考试：
- 训练集（Training Set） → 学生平时做的练习题（用来学习）
- 验证集（Validation Set） → 模拟考试（用来调整学习方法）
- 测试集（Test Set） → 正式高考（用来最终评估水平）
详细说明：
表格
| 数据集 | 占比（常见） | 作用 | 是否参与模型训练？ |
|---|---|---|---|
| 训练集 | 60%～80% | 模型从中学习参数 | ✅ 是 |
| 验证集 | 10%～20% | 调整超参数（如学习率）、选择模型、防止过拟合 | ❌ 否（不用于更新参数，但用于决策） |
| 测试集 | 10%～20% | 最终评估模型性能，模拟真实场景 | ❌ 否（完全隔离，只用一次） |
⚠️ 重要原则：
- 测试集绝对不能在训练或调参时使用，否则会"作弊"，导致评估结果虚高。
- 数据划分要随机且有代表性，避免偏差（比如所有猫图片都在测试集里）。
三、常见AI任务类型（与数据标注密切相关）
以下是三大主流计算机视觉任务（NLP也有类似分类）：
1. 图像分类（Image Classification）
- 任务：判断一张图属于哪个类别。
- 标注形式 ：整张图一个标签
📌 例：image_001.jpg → "狗"
2. 目标检测（Object Detection）
- 任务：找出图中所有目标的位置和类别。
- 标注形式 ：每个目标用一个边界框（Bounding Box） + 类别标签
📌 例：在图中画一个框标出"猫"，另一个框标出"椅子"
3. 语义分割（Semantic Segmentation）
- 任务 ：对图像中每个像素打标签，标明属于哪个类别。
- 标注形式 ：像素级掩码（Mask）
📌 例：道路像素标为"路面"，行人像素标为"人"
🔍 还有更细粒度的任务，如：
- 实例分割（Instance Segmentation）：区分同一类别的不同个体（如两只不同的猫）
- 关键点检测（Keypoint Detection）：标出人体关节位置（用于姿态估计）
小练习（自测）
- 如果你要训练一个识别交通标志的模型，应该用监督学习还是无监督学习？为什么？
- 为什么不能用测试集来调整模型参数？
- 下面哪种任务需要最精细的标注？
A. 图像分类
B. 目标检测
C. 语义分割
（答案见下方 👇）
✅ 参考答案：
- 监督学习，因为需要明确知道每张图对应的是"停车标志""限速标志"等标签。
- 因为会导致模型"记住"测试集，无法反映真实泛化能力，评估结果不可信。
- C. 语义分割（每个像素都要标注，工作量最大）