1監督學習
監督學習是指通過使用壹組已知類別的樣本來調整分類器的參數以達到所需性能的過程，也稱為監督訓練或監督學習。監督學習是壹種機器學習任務，它從帶標簽的訓練數據中推斷出壹個函數。訓練數據包括壹組訓練示例。在監督學習中，每個實例由壹個輸入對象和壹個預期輸出值組成。
監督學習算法用於分析訓練數據並生成推理，該推理可用於繪制新的示例。最佳方案將允許算法正確地確定那些不可見實例的類別標簽。這就要求學習算法從訓練數據到不可見性都是以壹種“合理”的方式形成的。
2.半監督學習
半監督學習是模式識別和機器學習領域的壹個關鍵問題，是壹種結合監督學習和無監督學習的學習方法。半監督學習同時使用大量未標記數據和標記數據來進行模式識別。
監督學習中需要註意的問題；
1，偏差差異平衡
第壹個問題是偏差和方差之間的權衡。假設有幾個不同但同樣好的微積分數據集。學習算法基於未知數字的輸入。當計算這些數據集時，系統將正確預測並輸出正確的未知數。
2、函數的復雜性和訓練數據的數量
第二個問題是訓練數據相對於“真實”函數（分類或回歸函數）的復雜程度。如果真實函數很簡單，那麽具有高偏差和低方差的“不靈活”學習算法將能夠從少量數據中學習。
3、輸入空間的維度
第三個問題是輸入空間的維度。如果輸入特征向量具有非常高的維數，則很難學習問題，即使真正的函數僅取決於這些特征的壹部分。這是因為許多“額外”的維度會混淆學習算法，使其具有較高的方差。因此，高輸入維度通常需要調整分類器以具有低方差和高偏差。