資料內容：
1.1 機器學習分類回顧
在機器學習的大框架下，我們最為熟知的兩大分支便是監(jiān)督學習和無監(jiān)督學習。
監(jiān)督學習就像是有一位老師在旁邊指導的學習過程。我們會有一組已經(jīng)標注好的數(shù)據(jù)，這些數(shù)據(jù)就像
是已經(jīng)有答案的練習題。例如在圖像分類任務中，我們有一堆圖片，并且已經(jīng)知道每張圖片是貓還是
狗，通過這些帶有明確標簽的數(shù)據(jù)來訓練模型 ，模型學習數(shù)據(jù)中的特征與標簽之間的映射關系，從而
能夠對新的未知數(shù)據(jù)進行準確分類或預測。常見的監(jiān)督學習算法包括決策樹、支持向量機、邏輯回歸
等。
無監(jiān)督學習則像是一個人在獨自探索未知領域。我們面對的是沒有標注的數(shù)據(jù)，沒有 “標準答案” 的
指引，目標是讓模型自己去發(fā)現(xiàn)數(shù)據(jù)中的潛在結構、模式或關系 。比如聚類算法，它可以將數(shù)據(jù)集中
相似的數(shù)據(jù)點聚集在一起，形成不同的簇，幫助我們理解數(shù)據(jù)的分布情況。像 K-Means 聚類算法，就
是通過不斷迭代，將數(shù)據(jù)劃分到不同的簇中，使得同一簇內的數(shù)據(jù)點相似度高，不同簇之間的數(shù)據(jù)點
相似度低。主成分分析（PCA）也是無監(jiān)督學習中的一種常用方法，它主要用于數(shù)據(jù)降維，去除數(shù)據(jù)
中的冗余信息，提取主要特征。
而半監(jiān)督學習，正如其名，它處于監(jiān)督學習和無監(jiān)督學習之間，巧妙地結合了兩者的特點 。它利用少
量的標注數(shù)據(jù)和大量的未標注數(shù)據(jù)來進行模型訓練，這在實際應用中具有重要意義，下面我們就來詳
細了解一下半監(jiān)督學習。
