1）什么是监督学习、非监督学习
监督学习：使用已知正确答案的示例来训练网络。已知数据和其一一对应的标签，训练一个预测模型，将输入数据映射到标签的过程。非监督学习：在非监督学习中，数据并不被特别标识，适用于具有数据集但无标签的情况。学习模型是为了推断出数据的一些内在结构，如GAN2）监督学习、非监督学习主要应用场景
监督学习：回归、分类非监督学习：聚类监督学习
利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练，该过程中有指导者。对于给出的数据集中的每个样本有相应的“正确答案”。
根据这些样本做出预测，分为两大类：回归和分类
根据吴恩达教授的机器学习课程：
（1）回归问题：预测出一个连续值的输出。
例子：预测房价问题，根据样本的数据集进行拟合就可以得到一条连续的曲线。
（2）分类问题：设法预测一个离散值的输出。
例子：根据肿瘤的某些特征来判断是良性还是恶性，得到的结果是“良性”或者是“恶性”，是离散的。
此时的1表示恶性，0表示良性。
根据区域不同的来判断是恶性还是良性。叉表示恶性，圈表示良性。
当然了，预测的特征也是有很多。
无监督学习
无监督学习的数据集和监督学习的不同，没任何标签，也就是没有“正确的输出结果”。在此过程中没有指导者，只有计算机自己学习。
从数据集中可以通过非监督学习得到数据的某种结构，可能是把数据分成两个不同的聚集簇，称为聚类算法。
聚类算法被应用于很多地方：
（1） Google新闻
（2） 基因学的应用：DNA微阵列数据
（3） 大型计算机集群、社交网络分析、市场细分问题以及天文数据分析
（4） 鸡尾酒会问题
宴会中，场景会嘈杂问题等，声音的辨别、过滤以及提取人的声音就会显得很重要。但是需要分析和解析数据问题，所以就涉及无监督学习问题。
在使用语言的编程问题上，例如C++或者是Java中，处理音频的问题，需要写很多的代码，还需要连接那些复杂的C++或者Java库，但是在机器学习问题中，我们只需要一行代码即可实现：
SVD()函数——奇异值分解的缩写，作为线性代数常规函数的缩写。
