上回我們完成了一項人工智慧的應用—影像辨識中的CNN，他是屬於機器學習中的監督式學習，機器學習大致可以分為監督式學習以及非監督式學習，其實兩者最大的差別就是有沒有標籤的存在。

像是我們上回才做完的CNN模型便是透過我們給定的貓與狗的標籤去做學習，最終才透過這些學習成果去做預測。而監督式學習的學習方式則是根據分類，將特徵相似的一群資訊自我標示成相同類別，最終利用該分類去判斷、預測目標屬於什麼類群，常見的演算法為K-平均演算法。

圖片來源：By I, Weston.pace, CC BY-SA 3.0, https://commons.wikimedia.org/w/index.php?curid=2463085

監督式學習的優點為可以輕易判斷模型結果的好壞、比較好做調整，缺點為一定要有標籤才能做模型的訓練，需要花時間做標籤的給定；非監督式學習的優點為不用任何標籤就可以訓練，準備上比較輕鬆，缺點為因為以距離作為分群的依據，因此可能因為沒有標準答案，分得不好也無法得知。讀者們可以根據目標需求做學習方式的選擇。

下一回開始我們要來認識另一種神經網路—循環式神經網路RNN，RNN和CNN同樣屬於監督式學習，但兩者的訓練方式有著些許的不同，詳細情形就從下一回開始跟各位介紹囉!