1.1.4 和人工智能相关的几个重要概念

1.监督学习

监督学习的任务是学习一个模型，这个模型可以处理任意的一个输入，并且针对每个输入都可以映射输出一个预测结果。这里模型就相当于数学中一个函数，输入就相当于数学中的X，而预测的结果就相当于数学中的Y。对于每一个X，都可以通过一个映射函数映射出一个结果。

2.非监督学习

非监督学习是指直接对没有标记的训练数据进行建模学习。注意，在这里的数据是没有标记的数据，与监督学习最基本的区别之一就是建模的数据是否有标签。例如聚类（将物理或抽象对象的集合分成由类似的对象组成的多个类的过程）就是一种典型的非监督学习，分类就是一种典型的监督学习。

3.半监督学习

当有标记的数据很少、未被标记的数据很多，且人工标记又比较昂贵时，可以根据一些条件（查询算法）查询一些数据，让专家进行标记。这是半监督学习与其他算法的本质区别。所以说对主动学习的研究主要是设计一种框架模型，运用新的查询算法查询需要专家来人工标注的数据。最后用查询到的样本训练分类模型来提高模型的精确度。

4.主动学习

当使用一些传统的监督学习方法做分类处理时，通常是训练样本的规模越大，分类的效果就越好。但是在现实中的很多场景中，标记样本的获取是比较困难的，因为这需要领域内的专家来进行人工标注，所花费的时间成本和经济成本都很大。而且，如果训练样本的规模过于庞大，则训练花费的时间也会比较多。那么问题来了：有没有一种有效办法，能够使用较少的训练样本来获得性能较好的分类器呢？答案是肯定的，主动学习（Active Learning）提供了这种可能。主动学习通过一定的算法查询出最有用的未标记样本，并交由专家进行标记，然后用查询到的样本训练分类模型来提高模型的精确度。

在人类的学习过程中，通常利用已有的经验来学习新的知识，又依靠获得的知识来总结和积累经验，经验与知识不断交互。同样，机器学习就是模拟人类学习的过程，利用已有的知识训练出模型去获取新的知识，并通过不断积累的信息去修正模型，以得到更加准确有用的新模型。不同于被动地接受知识，主动学习能够有选择性地获取知识。