监督学习–您需要知道的一切
有监督的学习–在这个机器时代，我们有幸。它有助于描述输入到输出。它使用标记的训练数据来推导具有一组训练示例的功能。迄今为止，大多数实用的机器学习都使用监督学习。
什么是机器学习
AILabPage 将机器学习定义为 “业务，数据和经验与新兴技术相遇并决定共同努力的焦点”。
机器学习也是人工智能的一个子集。 ML借鉴了计算机科学和统计学的原理， 后者是数学的图形分支。
它指示算法通过分析数据自行学习。它处理的数据越多，算法就越聪明。即使直到1950年奠定了基础，也直到最近。ML仍主要限于学术界。可悲的是，它越来越成为开发人员的工具。我们需要的只是每个人的MLaaS（机器学习即服务）。
机器学习类型
有监督，无监督和半监督学习之间的区别。让我们看一看下面的班轮
机器学习–一些用例
ML加强了组织并通过各种学习获得了成功。正确选择要用于业务问题的技术需要对领域有深刻的了解。评估哪种条件最适合每种方法是另一项任务。机器学习算法的类型（例如MLAlgos）以及何时使用哪种算法非常重要。  
任务的目标以及在现场完成的所有事情，使您处于一个更好的位置，可以解决一个实际问题并设计一个 机器学习系统。
什么是SML –有监督的机器学习？
按照Wiki  –在监督学习中，每个示例都是一对，由输入对象（通常是向量）和所需的输出值（也称为监督信号）组成。
SML通过历史数据集能够寻找正确的答案，而算法的任务是在新数据中找到它们。监督机器学习是
从标记的训练数据中推导功能是一项任务。
在存在不确定性的情况下基于证据做出预测
使用自适应算法识别给定数据中的模式
在有监督的机器学习中，每个示例都按输入对象和所需输出值组成的对进行排序。该领域的算法会分析训练数据并产生一个推断函数，该函数可用于映射新示例。训练数据包含一组训练示例。
监督机器学习的工作原理
监督机器学习的过程基本上是一个两步过程，如下所示。
学习 –使用训练数据学习模型或使用训练数据训练模型。
测试 –使用看不见的测试数据测试模型以评估模型的准确性
包括但不限于监督学习过程的详细步骤，如下图所示
总而言之，我们可以在监督学习中说得很自在。学习来自已知的标签数据来创建模型，而不是预测目标类作为给定输入数据的输出。监督学习也称为数据挖掘任务，它用于从标记的训练数据中推断功能。
让我们以苹果为例来说明这一学习过程。假设我们有水果篮，我们称其为水果篮。现在从下面的流程中从我们的篮子中挑选一个苹果是一个很好的选择。
从我们的水果篮中，我们收集所有水果的大小，颜色，重量，皮肤类型和形状等数据。
收集数据后，我们开始分类
如果大小为大，颜色为红色，则形状为圆形，顶部和底部均带有凹陷，将其置于set-1中
Set-1水果的皮肤类型是否光滑有光泽；把它放在set-2
Set-2数据现在可以轻松地标记为apple，因为它将被放入apple组中。
真正的律师业务用例进行监督学习
监督学习模型基于存在不确定性的证据进行预测。下图描述了一些监督学习的用例。
人员分析
物联网
信息和网络安全
资产管理
股票交易
市场销售
卫生保健
金融科技
监督学习算法：
任何监督学习算法的主要工作是作为第一步分析训练数据。第二步，推导可用于描述新实例的功能。它通过使用 下面提到的任何一种ml算法来“标记”数据以创建预测模型 。它通常以两种形式之一提供输出。
回归输出 是存在于连续空间中的实数值。
另一方面，分类输出分为离散类别。
如上所示，分类（二进制或多分类）和回归下的问题属于监督学习。下面提到了一些算法。
线性回归
逻辑回归
多项式回归
支持向量机回归
决策树
随机森林
支持向量机（SVM）
朴素贝叶斯
k最近邻居
监督学习下的重点用例
这里将主要关注在监督学习中应考虑的四个主要问题。在下面的用例中，它简单而又容易收集数据，标记数据并进行准确的预测。 AILabPage  在人工智能专家中进行了一次小型调查，以概述有关供个人使用和博客共享的机器学习的一些事实。在30位受访者中，只有23位受访者投票确认已经显而易见的事实。
以下用例是重点领域。
人员分析
分析工具已嵌入到日常决策中。人力资源分析人力资源领域的新模式转变带来了革命性的变革。
现有工作组–几乎所有受访者都认为，这对于公司进行投资以更好地了解其员工非常重要。绩效衡量，保留和预测谁在外向。
新工作队– 到目前为止，招聘仍是第一名，以了解工作人员的计划，补偿台标记和检测简历中的可疑物品
信息和网络安全
威胁猎人或威胁分析师的角色最近出现了。熟练的资源现在正在通过人工智能和机器学习的融合来提升其在网络管理或网络工程等领域的技能和知识。
在这里，机器能够学习和获取内部和外部信息漏洞的知识，并且能够针对现实世界的网络攻击进行映射。
1