Diferența dintre învățarea de mașină supravegheată și necontrolată

Diferența cheie - supravegheată vs nesupravegheată Invatare mecanica
 

Învățarea supravegheată și învățarea nesupravegheată reprezintă două concepte de bază ale învățării mecanice. Învățarea supravegheată este o sarcină de învățare a mașinilor de a învăța o funcție care să hartă o intrare într-o ieșire bazată pe perechi de intrări-ieșiri. Studiul neaservat este sarcina de învățare a mașinii de a deduce o funcție pentru a descrie o structură ascunsă din datele neetichetate. diferența cheie între învățarea automată supravegheată și nesupravegheată este asta învățarea supravegheată utilizează date etichetate, în timp ce învățarea nesupravegheată utilizează date neetichetate.

Învățarea în mașină este un domeniu în domeniul informaticii care oferă abilității unui sistem informatic de a învăța din date fără a fi programat în mod explicit. Permite analizarea datelor și prezicerea tipurilor de date. Există multe aplicații de învățare în mașină. Unele dintre ele sunt recunoașterea feței, recunoașterea gesturilor și recunoașterea vorbirii. Există diverse algoritmi privind învățarea în mașină. Unele dintre ele sunt regresie, clasificare și grupare. Cele mai comune limbi de programare pentru dezvoltarea de aplicații bazate pe învățarea automată sunt R și Python. Alte limbi, cum ar fi Java, C ++ și Matlab, pot fi, de asemenea, utilizate.

CUPRINS

1. Prezentare generală și diferență cheie
2. Ce este învățarea supravegheată
3. Ce este învățarea nesupravegheată
4. Asemănări între învățarea de mașină supravegheată și necontrolată
5. Comparație comparativă - Supravegherea vs. mașină necontrolată Învățarea în formă tabelară
6. rezumat

Ce este învățarea supravegheată?

În sistemele bazate pe mașină de învățare, modelul funcționează conform unui algoritm. În învățarea supravegheată, modelul este supravegheat. În primul rând, este necesară instruirea modelului. Odată cu cunoștințele dobândite, poate prezice răspunsuri pentru instanțele viitoare. Modelul este instruit folosind un set de date etichetat. Atunci când un sistem de probe este dat din eșantion, acesta poate prezice rezultatul. În continuare este un mic extras din populația setului de date IRIS.

Conform tabelului de mai sus, lungimea Sepal, lățimea Sepal, lungimea Patel, lățimea Patel și speciile sunt numite atribute. Coloanele sunt cunoscute ca caracteristici. Un rând are date pentru toate atributele. Prin urmare, un rând este numit o observație. Datele pot fi numerice sau categorice. Modelului i se dau observațiile cu denumirea corespunzătoare a speciei ca intrare. Atunci când se dă o nouă observație, modelul trebuie să prezică tipul de specii din care face parte.

În învățarea supravegheată, există algoritmi pentru clasificare și regresie. Clasificarea este procesul de clasificare a datelor etichetate. Modelul a creat granițe care au separat categoriile de date. Atunci când se furnizează date noi modelului, acesta poate fi clasificat în funcție de locul unde există punctul. K-Nearest Neighbours (KNN) este un model de clasificare. În funcție de valoarea k, se decide categoria. De exemplu, când k este 5, dacă un anumit punct de date este aproape de opt puncte de date din categoria A și șase puncte de date din categoria B, atunci punctul de date va fi clasificat ca A.

Regresia este procesul de predicție a tendinței datelor anterioare pentru a prezice rezultatul noilor date. În regresie, producția poate consta din una sau mai multe variabile continue. Predicția se face folosind o linie care acoperă majoritatea punctelor de date. Cel mai simplu model de regresie este o regresie liniară. Este rapid și nu necesită parametri de ajustare, cum ar fi în KNN. Dacă datele arată o tendință parabolică, atunci modelul de regresie liniară nu este potrivit.

Acestea sunt câteva exemple de algoritmi de învățare supravegheați. În general, rezultatele generate de metodele de învățare supravegheate sunt mai precise și mai fiabile, deoarece datele de intrare sunt bine cunoscute și etichetate. Prin urmare, aparatul trebuie să analizeze numai modelele ascunse.

Ce este învățarea nesupravegheată?

În învățarea nesupravegheată, modelul nu este supravegheat. Modelul funcționează pe cont propriu, pentru a prezice rezultatele. Utilizează algoritmi de învățare a mașinilor pentru a ajunge la concluzii privind datele neetichetate. În general, algoritmii de învățare nesupravegheați sunt mai grei decât algoritmii de învățare supravegheați, deoarece există puține informații. Clustering-ul este un tip de învățare nesupravegheată. Acesta poate fi folosit pentru a grupa datele necunoscute folosind algoritmi. Clusterizarea bazată pe k-medie și densitate sunt doi algoritmi de grupare.

k-medie algoritm, pune centroidul la întâmplare pentru fiecare cluster. Apoi fiecare punct de date este atribuit celui mai apropiat centroid. Distanța eucidiană este utilizată pentru a calcula distanța de la punctul de date la centroid. Punctele de date sunt clasificate în grupuri. Pozițiile pentru centroidii k sunt calculate din nou. Poziția noului centroid este determinată de media tuturor punctelor din grup. Din nou, fiecare punct de date este atribuit celui mai apropiat centroid. Acest proces se repetă până când centroizii nu se mai schimbă. k-mean este un algoritm de grupare rapidă, dar nu există nici o inițializare specificată a punctelor de grupare. De asemenea, există o variație mare a modelelor de grupare pe baza inițializării punctelor de cluster.

Un alt algoritm de grupare este Clustering bazat pe densitate. Este, de asemenea, cunoscut sub numele de Density Based Spatial Clustering Applications cu zgomot. Funcționează prin definirea unui cluster ca set maxim de puncte de densitate conectate. Acestea sunt doi parametri utilizați pentru gruparea bazată pe densitate. Ele sunt Ɛ (epsilon) și puncte minime. Ɛ este raza maximă a cartierului. Punctele minime reprezintă numărul minim de puncte din cartierul to pentru a defini un cluster. Acestea sunt câteva exemple de grupare care intră în învățarea nesupravegheată.

În general, rezultatele generate de algoritmii de învățare nesupravegheați nu sunt prea corecți și fiabili, deoarece aparatul trebuie să definească și să eticheteze datele de intrare înainte de a determina modelele și funcțiile ascunse.

Care este similitudinea dintre învățarea în mașină supravegheată și neaservată?

• Atât învățarea supravegheată cât și cea nesupravegheată sunt tipuri de învățare a mașinilor.

Care este diferența dintre învățarea în mașină supravegheată și nesupravegheată?

Supravegherea și învățarea neautorizată a mașinilor
Învățarea supravegheată este sarcina de învățare a mașinii de a învăța o funcție care cartografiază o intrare într-o ieșire bazată pe perechi de intrări-ieșiri exemplu.	Studiul neaservat este sarcina de învățare a mașinii de a deduce o funcție pentru a descrie structura ascunsă din datele neetichetate.
Funcționalitatea principală
În învățarea supravegheată, modelul prezice rezultatul bazat pe datele de intrare etichetate.	În învățarea nesupravegheată, modelul prezice rezultatul fără date etichetate prin identificarea tiparelor pe cont propriu.
Acuratețea rezultatelor
Rezultatele generate de metodele de învățare supravegheate sunt mai precise și mai fiabile.	Rezultatele generate de metodele de învățare nesupravegheate nu sunt foarte precise și fiabile.
Algoritmi principali
Există algoritmi pentru regresia și clasificarea în învățarea supravegheată.	Există algoritmi pentru gruparea în învățarea nesupravegheată.

Rezumat - supravegheat vs nesupravegheată Invatare mecanica

Învățarea supravegheată și învățarea neaservată sunt două tipuri de învățare a mașinilor. Învățarea supravegheată este sarcina de învățare a mașinii de a învăța o funcție care cartografiază o intrare într-o ieșire bazată pe perechi de intrări-ieșiri exemplu. Studiul neaservat este sarcina de învățare a mașinii de a deduce o funcție pentru a descrie structura ascunsă din datele neetichetate. Diferența dintre învățarea automată supravegheată și nesupravegheată este că învățarea supravegheată utilizează date etichetate, în timp ce înclinarea nesupravegheată folosește date neetichetate.

Referinţă:

1.TheBigDataUniversity. Învățarea în mașină - Învățarea supravegheată nesupravegheată, clasa cognitivă, 13 martie 2017. Disponibil aici 
2. "Învățarea necontrolată" Wikipedia, Fundația Wikimedia, 20 martie 2018. Disponibil aici 
3. "Învățarea supravegheată" Wikipedia, Fundația Wikimedia, 15 martie 2018. Disponibil aici

Datorită fotografiei:

1. "2729781" de GDJ (Domeniul Public) prin pixabay