Увод у надзирано учење и неконтролирано учење
Надзирано учење и Надзорно учење су задаци машинског учења.
Надзирано учење једноставно је алгоритам учења из базе података о тренингу. Надзирано учење је место где имате улазне променљиве и излазну променљиву и користите алгоритам да бисте научили функцију мапирања од улаза до излаза. Циљ је приближити функцију мапирања тако да када имамо нове улазне податке, можемо предвидјети излазне варијабле за те податке.
Ненадзоровано учење моделира темељну или скривену структуру или дистрибуцију података како би се научило више о тим подацима. Ненадзирано учење је место у којем имате само улазне податке и нема одговарајућих излазних променљивих.
База података обуке: Скуп примјера који се користе за учење, гдје је позната циљна вриједност.
Упоређивање између надзираног учења и Ненадзорованог учења (Инфограпхицс)
Испод је топ 7 упоређивања између надзираног учења и ненадзорованог учења
Кључне разлике између надзираног учења и ненадзораног учења
Испод су спискови тачака, опишите кључне разлике између Надзираног учења и Ненадзорованог учења
1. алгоритми машинског учења откривају обрасце у великим подацима. Ови различити алгоритми могу се сврстати у две категорије на основу начина на који „уче“ о подацима да би предвидјели. То су под надзором и неконтролисано учење.
2. У надгледаном научнику наука делује као водич који алгоритам подучава какве закључке или предвиђања треба да смисли. У учењу без надзора, нема тачног одговора, нема учитеља, алгоритми су препуштени властитом откривању и представљању занимљиве скривене структуре у подацима.
3. Надгледани модел учења користиће податке обуке за учење везе између улаза и резултата.
4. Ненадзоровано учење не користи излазне податке. Код учења без надзора, њихова знања неће бити означена претходним знањем, док ће у надгледаном учењу имати приступ ознакама и претходно знање о скуповима података
5. Надгледано учење: Идеја је да се обука може генерализовати и да се модел може користити на новим подацима с неком тачношћу.
6. Надзирани алгоритми учења: Подржани векторски строј, Линеарна и логистичка регресија, Неуронска мрежа, Класична стабла и случајна шума итд.
7. Ненадзоровани алгоритми могу се поделити у различите категорије: алгоритми кластера, К-средства, Хијерархијско групирање, алгоритми смањења димензија, детекције аномалије, итд.
8. алгоритми за класификацију и регресију који се широко користе у учењу под надзором. Векторске машине за подршку (СВМ) су надгледани модели машинског учења са припадајућим алгоритмима учења, који се могу користити и за сврхе класификације и за регресију, али се углавном користе за проблеме класификације.
9.У СВМ моделу, сваку ставку података цртамо као тачку у н-димензионалном простору (где су н карактеристике које имамо), при чему вредности сваке карактеристике представљају вредност одређене координате. Затим је класификација изведена проналаском хиперплана који разликује две класе.
10. Главни циљ регресијских алгоритама је предвидјети дискретну или континуирану вредност. У неким случајевима се предвиђена вредност може користити за идентификацију линеарног односа између атрибута. На основу регресијских алгоритама разлике проблема могу се користити. Неки од основних регресијских алгоритама су линеарна регресија, полиномна регресија итд.
11.Кластерирање се широко користи у учењу без надзора. Кластерирање је задатак поделе података података на број група тако да ће исте тачке карактеристика бити заједно у облику кластера. Постоји много више алгоритама за кластерирање; неки од њих су модели повезивања, центрироидни модели, модели дистрибуције и модели густоће.
12.Хијерархијско кластерирање спада под неконтролисано учење. Хијерархијско кластерирање, као што име сугерира је алгоритам који гради хијерархију кластера. Овај алгоритам започиње са свим тачкама података додељеним сопственом кластеру. Затим се два најближа кластера спајају у исти кластер. На крају, овај алгоритам се прекида када је преостао само један кластер.
13.КМеанс спада у ненадзирани метод кластерирања. Подаци ће бити подељени у к кластере, на основу њихових карактеристика. Сваки кластер представљен је својим центроидом, дефинисаним као центар тачака у кластеру. КМеанс је једноставан и брз, али не даје исти резултат са сваким покретањем.
14. Да бисмо боље разумели надзирано учење и неконтролирано учење, узмимо примере из стварног живота. Надзирано учење: Узмимо за пример једну од Гмаил функционалности, а то је нежељена пошта. На основу прошлих информација о нежељеној пошти, филтрирању нове долазне поруке е-поште у мапу Инбок или Јунк фолдер. У овом сценарију, Гмаил се моделира функција мапирања за одвајање долазне поште на основу претходног сазнања о маиловима, ово је под надзором учења.
15.Ненадзирано учење: Претпоставимо да вас пријатељица позове на њену забаву, где упознајете нове људе. Сада ћете их класификовати без претходног знања (Ненадзоровано учење) и ова класификација може бити на било којој особини. То може бити старосна група, пол, одијевање, образовна квалификација или како год желите. Пошто нисте користили ниједно претходно знање о људима и класификовали их, то подлеже ненадзорованом учењу.
Табела за надгледање учења у односу на неконтролисано табела упоређивања учења
| Надзирано учење | Ненадзоровано учење | |
|
Метод | Дат ће се улазне и излазне варијабле. | Даће се само улазни подаци |
|
Циљ | Циљ надгледаног учења је одредити функцију тако добро да када се дају нови унесени подаци могу предвидјети излаз. | Циљ учења који није надзиран је моделирање скривених образаца или основне структуре у датим улазним подацима како би се научили о тим подацима. |
|
Класа | Проблеми са машинским учењем, вађење података и неуронска мрежа, | Машинско учење, вађење података, проблеми и неуронска мрежа |
|
Примери |
|
|
| Ко користи | Научници података | Научници података |
|
Еко-системи |
Велика обрада података, вађење података итд | Велика обрада података, вађење података итд |
|
Користи |
Надгледано учење се често користи за извозне системе у препознавању слике, препознавању говора, прогнозирању, финансијској анализи и обуци неуронских мрежа и стабала одлука итд. | Ненадзоровани алгоритми учења користе се за претходну обраду података, током истраживачке анализе или за тренирање алгоритама учења под надзором. |
Закључак - Надзирано учење вс Ненадзирано учење
Избор употребе алгоритма машинског учења под надзором или без надзора обично зависи од фактора који се односе на структуру и количину ваших података и случај употребе. У стварности, већина научника за податке користи како надгледано учење, тако и неконтролирано учење заједно да реше случај употребе.
Препоручени чланак
Ово је водич за супервизирано учење против ненадзираног учења, њихово значење, упоредба између главе, кључне разлике, табела упоређивања и закључак. Такође можете погледати следеће чланке да бисте сазнали више -
- Најбоље 7 упоређивање између надзираног учења и ојачавања учења
- 5 Најкориснија разлика између науке о подацима и машинског учења
- Сазнајте 10 најбољих разлика између редукције мапе и пређе
- МапРедуце вс Апацхе Спарк - 20 корисних упоређивања за учење
- Шта је појачано учење?