企业官网建设流程全解析

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

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

⚠️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）

1. 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？
2. 为什么不能用测试集来调整模型参数？
3. 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：

1. 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。
2. 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。
3. C. 语义分割（每个像素都要标注，工作量最大）