全监督、半监督、弱监督、无监督
- 全监督学习（Fully Supervised Learning）
- 数据标注：使用的数据集包含大量的输入数据（特征）以及与之对应的准确标注信息（标签）。
- 学习目标：通过学习输入和输出之间的映射关系，建立一个模型，使其能够对新的、未见过的输入数据进行准确的预测。
- 半监督学习（Semi-Supervised Learning）
- 数据标注：结合了少量的有标注数据和大量的无标注数据。在实际应用中，获取大量准确的标注数据可能成本很高或耗时很长，而半监督学习可以利用未标注数据中的信息来辅助学习。
- 学习目标：利用有标注数据来学习基本的模式和特征，同时借助无标注数据来发现数据的分布结构、聚类信息等，以提高模型的泛化能力和性能。
- 应用场景：在数据标注成本较高的领域，如医学图像分析（标注医学图像需要专业知识和时间）、自然语言处理（标注大量文本数据困难）等有广泛应用。
- 弱监督学习（Weakly Supervised Learning）
- 数据标注：使用的标注信息相对较弱或不精确。标注可能是粗粒度的（如只标注图像中是否存在某类物体，而不标注具体位置）、不完整的（部分数据有标注，部分没有）或不准确的（存在一定的标注误差）。例如在图像目标检测中，只知道图像中存在某些物体，但没有详细的物体边界框标注。
- 学习目标：从这些弱标注数据中学习有效的模型，通过各种技术（如多实例学习、标签传播等）来推断出更准确的预测结果。例如在弱监督的图像分割中，利用图像级别的标注信息来推断出图像中物体的具体分割区域。
- 应用场景：适用于难以获取精确标注数据的场景，如视频行为分析（精确标注视频中的行为动作困难）、遥感图像分析（标注大规模遥感图像的细节信息不易，就可以利用现成模型生成为标签来训练新模型，这时只需要加入极少量的真是标签，模型就能达到不错的效果）等。
- 无监督学习（Unsupervised Learning）
- 数据标注：处理的数据集**完全没有标注信息，只有输入数据。**视觉领域代表性算法：MAE。
- 学习目标：旨在发现数据中的内在结构、模式和关系。常见的任务包括聚类、降维和异常检测（发现数据中与正常模式不同的异常点）等。
- 应用场景：用于探索性数据分析、数据预处理、发现数据中的潜在规律等。如在市场细分中，通过聚类分析将客户群体划分为不同的细分市场，以便制定针对性的营销策略。
