监督学习

本文将系统剖析各类数据标注方法的技术原理、适用场景与选型框架，为不同成熟度、不同预算、不同隐私要求的AI项目提供实战指南。

本文介绍了异常检测的基本概念、常见方法，并通过 Python 实现了 K-means 异常检测。在实际应用中，可以根据具体场景选择不同的检测方法。

本文将系统探讨如何利用机器学习的力量，制定更科学、更明智的战略决策。

机器学习（ML）是人工智能（AI）领域的核心技术之一，它通过数据和算法使计算机系统能够像人类一样学习并不断提高预测准确性。机器学习的方法可以分为两大类：监督学习和无监督学习。

由于“经验”在计算机系统中主要以数据的形式存在，因此机器学习需要设法对数据进行分析学习，这就使得它逐渐成为智能数据分析技术的创新源之一，并且受到越来越多的关注。

在本文中，我们将探讨聚类算法的各种评估指标，何时使用它们，以及如何使用Scikit-Learn计算它们。

近日，吴恩达在圣诞节的《The Batch》特刊上发布了一年一度的年终盘点。

一些计算神经科学家已经开始探索，使用很少或没有人工标记数据进行训练的神经网络。

为什么半监督学习是机器学习的未来。监督学习是人工智能领域的第一种学习类型。从它的概念开始，无数的算法，从简单的逻辑回归到大规模的神经网络，都已经被研究用来提高精确度和预测能力。然而，一个重大突破揭示了添加“无监督数据”可以提高模型泛化和性能。事实上，在非常多的场景中，带有标签的数据并不容易获得……

半监督学习(SSL)是一种机器学习技术，其中任务是从一个小的带标签的数据集和相对较大的未带标签的数据中学习得到的。SSL的目标是要比单独使用有标记数据训练的监督学习技术得到更好的结果。这是半监督学习系列文章的第1部分，对这个机器学习的重要子领域进行了简要的介绍。