Яка різниця між контрольованим навчанням та непідконтрольним навчанню? [зачинено]

Що стосується штучного інтелекту та машинного навчання, у чому полягає відмінність між контрольованим та непідконтрольним навчанню? Чи можете ви надати основне, просте пояснення на прикладі?

Оскільки ви задаєте це дуже основне питання, схоже, варто уточнити, що таке саме машинне навчання.

Машинне навчання - це клас алгоритмів, який керується даними, тобто на відміну від "звичайних" алгоритмів, це дані, які "повідомляють", що таке "хороша відповідь". Приклад: гіпотетичний алгоритм не машинного навчання для виявлення обличчя на зображеннях намагатиметься визначити, що таке обличчя (круглий диск, схожий на шкіру, з темною областю, де очікуються очі тощо). Алгоритм машинного навчання не мав би такого кодованого визначення, але буде "навчатися на прикладах": ви покажете кілька зображень облич, а не обличчя, а хороший алгоритм з часом навчиться і зможе передбачити, небачене чи ні образ - обличчя.

Цей конкретний приклад розпізнавання обличчя контролюється , це означає, що ваші приклади повинні бути позначені етикеткою або чітко сказати, які з них є обличчями, а які - ні.

У алгоритмі без нагляду ваші приклади не позначаються , тобто ви нічого не говорите. Звичайно, в такому випадку алгоритм сам не може «вигадати», що таке обличчя, але він може спробувати класифікувати дані в різні групи, наприклад, він може розрізнити, що грані сильно відрізняються від пейзажів, які сильно відрізняються від коней.

Оскільки інша відповідь згадує про це (правда, неправильним чином): існують "проміжні" форми спостереження, тобто напівконтрольне та активне навчання . Технічно це контрольовані методи, в яких існує певний «розумний» спосіб уникнути великої кількості мічених прикладів. При активному навчанні алгоритм сам вирішує, яку річ слід позначити (наприклад, це може бути досить впевнено щодо пейзажу та коня, але він може попросити вас підтвердити, чи справді горила є зображенням обличчя). У навчанні під наглядом є два різних алгоритми, які починаються з мічених прикладів, а потім "розповідають" один одному, як вони думають про якусь велику кількість не маркованих даних. З цієї "дискусії" вони дізнаються.

Контрольоване навчання - це коли дані, якими ви подаєте свій алгоритм, "позначені" або "позначені", щоб допомогти вашій логіці приймати рішення.

Приклад: Байєсова фільтрація спаму, де вам потрібно позначити елемент як спам для уточнення результатів.

Без нагляду навчання - це типи алгоритмів, які намагаються знайти кореляції без будь-яких зовнішніх входів, окрім необроблених даних.

Приклад: алгоритми кластеризації даних.

Контрольоване навчання

Програми, в яких дані про навчання включають приклади вхідних векторів разом з відповідними цільовими векторами, відомі як проблеми з навчанням під контролем.

Навчання без нагляду

В інших проблемах розпізнавання шаблонів дані тренувань складаються з набору вхідних векторів x без відповідних цільових значень. Метою таких непідконтрольних навчальним проблемам може бути виявлення груп подібних прикладів всередині даних, де це називається кластеризацією

Розпізнавання образів та машинне навчання (Бішоп, 2006)

При контрольованому навчанні вхід xзабезпечується очікуваним результатом y(тобто результатом, який модель повинна виробляти, коли вхід є x), який часто називають "класом" (або "міткою") відповідного вводу x.

При неуспішному навчанні "клас" прикладу xне передбачений. Таким чином, непідконтрольне навчання можна розглядати як пошук «прихованої структури» в безмаркірованому наборі даних.

Підходи до контрольованого навчання включають:

• Класифікація (1R, Naive Bayes, алгоритм навчання дерева рішень, наприклад ID3 CART тощо)

• Прогнозування числового значення

Підходи до навчання без нагляду включають:

• Кластеризація (K-засоби, ієрархічна кластеризація)

• Навчання правилам асоціації

Наприклад, дуже часто навчання нейронної мережі контролюється навчанням: ви повідомляєте мережі, якому класу відповідає векторний елемент, який ви годуєте.

Кластеризація - це непідвладне навчання: ви дозволяєте алгоритму вирішувати, як згрупувати вибірки в класи, які мають загальні властивості.

Ще один приклад непідконтрольного навчання - карти самоорганізації Кохонена .

Я можу вам навести приклад.

Припустимо, вам потрібно розпізнати, який транспортний засіб - це автомобіль, а який - мотоцикл.

У підконтрольному випадку навчання ваш вхідний (тренувальний) набір даних повинен бути маркований, тобто для кожного вхідного елемента у вашому вхідному (навчальному) наборі даних слід вказати, чи він представляє автомобіль чи мотоцикл.

У випадку без нагляду за навчанням ви не позначаєте введення даних. Непідконтрольна модель кластеризує вхід у кластери на основі, наприклад, подібних функцій / властивостей. Отже, у цьому випадку немає ярликів на кшталт "машина".

Контрольоване навчання

Контрольоване навчання ґрунтується на навчанні вибірки даних із джерела даних із вже призначеною правильною класифікацією. Такі методи використовуються в моделях подачі або багатошарового перцептора (MLP). Ці MLP мають три відмінні характеристики:

1. Один або кілька шарів прихованих нейронів, які не є частиною вхідних або вихідних шарів мережі, які дозволяють мережі вивчати та вирішувати будь-які складні проблеми
2. Нелінійність, що відображається в активності нейронів, є диференційованою і,
3. Модель взаємозв’язку мережі демонструє високий ступінь зв’язку.

Ці характеристики разом із навчанням через навчання вирішують складні та різноманітні проблеми. Навчання шляхом навчання за контрольованою моделлю ANN також називається алгоритмом зворотного розповсюдження помилок. Алгоритм навчання корекції помилок тренує мережу на основі зразків введення-виведення та знаходить сигнал помилки, який є різницею обчисленого виходу та бажаного виходу та коригує синаптичні ваги нейронів, пропорційні добутку помилки сигнал і вхідний екземпляр синаптичної ваги. Виходячи з цього принципу, навчання про поширення помилок відбувається за два проходи:

Вперед перехід:

Тут введений вектор вводу в мережу. Цей вхідний сигнал поширюється вперед, нейрон нейроном через мережу і виникає на вихідному кінці мережі як вихідний сигнал: y(n) = φ(v(n))де v(n)індуковане місцеве поле нейрона, визначене v(n) =Σ w(n)y(n).Виходом, який обчислюється на вихідному шарі o (n), порівнюється з потрібною відповіддю d(n)і виявляє помилкуe(n) для цього нейрона. Синаптичні ваги мережі під час цього проходу залишаються однаковими.

Задній прохід:

Сигнал помилки, що виникає на вихідному нейроні цього шару, поширюється назад через мережу. Це обчислює локальний градієнт для кожного нейрона в кожному шарі і дозволяє синаптичним вагам мережі зазнавати змін відповідно до правила дельти як:

Δw(n) = η * δ(n) * y(n).

Це рекурсивне обчислення продовжується, з проходом вперед, за яким проходить зворотний прохід для кожного вхідного шаблону до конвергенції мережі.

Парадигма навчання, що контролюється ANN, є ефективною і знаходить рішення для декількох лінійних та нелінійних проблем, таких як класифікація, контроль рослин, прогнозування, прогнозування, робототехніка тощо.

Навчання без нагляду

Самоорганізуючі нейронні мережі навчаються, використовуючи алгоритм непідтримуваного навчання, щоб ідентифікувати приховані шаблони в незазначених вхідних даних. Це без нагляду стосується здатності вивчати та впорядковувати інформацію, не подаючи сигнал про помилку для оцінки потенційного рішення. Відсутність спрямування алгоритму навчання в непідконтрольному навчанні може колись бути вигідним, оскільки дозволяє алгоритму оглянути назад шаблони, які раніше не розглядалися. Основними характеристиками карт самоорганізації (SOM) є:

1. Він перетворює схему вхідного сигналу довільної розмірності в одну або 2 мірну карту і виконує це перетворення адаптивно
2. Мережа являє собою подачу структури з єдиним обчислювальним шаром, що складається з нейронів, розташованих по рядках і стовпцях. На кожному етапі подання кожен вхідний сигнал зберігається у відповідному контексті,
3. Нейрони, що займаються тісно пов'язаними частинами інформації, близькі між собою, і вони спілкуються через синаптичні зв’язки.

Обчислювальний шар також називають конкурентоспроможним шаром, оскільки нейрони в шарі конкурують між собою, щоб стати активними. Отже, цей алгоритм навчання називається конкурентним алгоритмом. Алгоритм без нагляду в SOM працює в три етапи:

Етап змагань:

для кожного вхідного шаблону x, представленого мережі, wобчислюється внутрішній продукт із синаптичною вагою , і нейрони в конкурентному шарі знаходять дискримінантну функцію, яка індукує конкуренцію між нейронами та синаптичним весовим вектором, близьким до вхідного вектора на евклідовій відстані оголошено переможцем у конкурсі. Цей нейрон називають найкращим нейроном,

i.e. x = arg min ║x - w║.

Фаза кооперації:

виграючий нейрон визначає центр топологічного сусідства hнейронів, що співпрацюють. Це здійснюється за допомогою бічної взаємодії dміж кооперативними нейронами. Це топологічне сусідство зменшує його розмір за певний проміжок часу.

Адаптивна фаза:

дозволяє нейрону-переможцю та його сусіднім нейронам збільшити свої індивідуальні значення дискримінантної функції по відношенню до вхідної картини за допомогою відповідних синаптичних коригувань ваги,

 Δw = ηh(x)(x –w).

При неодноразовому представленні моделей тренувань синаптичні весові вектори, як правило, слідкують за розподілом вхідних моделей завдяки оновленню мікрорайону, і таким чином ANN навчається без керівника.

Модель самоорганізації, природно, являє собою нейробіологічну поведінку, а тому використовується у багатьох реальних додатках, таких як кластеризація, розпізнавання мови, сегментація текстури, векторне кодування тощо.

Довідково.

Я завжди вважав, що різниця між непідконтрольним та контрольованим навчанням є довільною та трохи заплутаною. Немає реального розмежування між двома випадками, натомість існує низка ситуацій, в яких алгоритм може мати більш-менш «нагляд». Існування напівконтрольного навчання є очевидними прикладами, коли лінія розмита.

Я схильний вважати нагляд як надання зворотного зв'язку алгоритму щодо того, яким рішенням слід віддати перевагу. Для традиційного нагляду, наприклад, виявлення спаму, ви говорите алгоритму "не робіть жодних помилок на навчальному наборі" ; для традиційного непідконтрольного налаштування, такого як кластеризація, ви говорите алгоритму "точки, близькі один до одного, повинні знаходитися в одному кластері" . Так буває, що перша форма зворотного зв'язку набагато конкретніша, ніж остання.

Коротше кажучи, коли хтось каже "під наглядом", подумайте про класифікацію, коли вони говорять про "непідвладний", думають про групування і намагаються не турбуватися над цим.

Машинне навчання: воно вивчає вивчення та побудову алгоритмів, на яких можна вчитися та прогнозувати дані. Такі алгоритми функціонують, будуючи модель з прикладу входів, щоб робити керовані даними прогнози або рішення, виражені у вигляді результатів, а не слідувати суворо статичним програмні інструкції.

Контрольоване навчання: Це завдання машинного навчання виводити функцію з мічених даних навчальних даних. Дані тренінгу складаються з набору навчальних прикладів. У контрольованому навчанні кожен приклад - це пара, що складається з вхідного об'єкта (як правило, вектора) та бажаного вихідного значення (також називаного контрольним сигналом). Контрольований алгоритм навчання аналізує навчальні дані та виробляє певну функцію, яку можна використовувати для відображення нових прикладів.

Комп'ютер представлений прикладними входами та їх бажаними результатами, що даються "вчителем", а мета полягає в тому, щоб вивчити загальне правило, яке відображає входи до результатів. Спеціально, алгоритм керованого навчання бере відомий набір вхідних даних та відомі відповіді. на дані (вихід) та готує модель для створення розумних прогнозів для відповіді на нові дані.

Непідконтрольне навчання: це навчання без вчителя. Одне основне, що ви можете зробити з даними - це візуалізувати їх. Завдання машинного навчання полягає у виведенні функції для опису прихованої структури з мічених даних. Оскільки приклади, подані для учня, не є маркованими, немає сигналу про помилку чи винагороду для оцінки потенційного рішення. Це відрізняє непідконтрольне навчання від навчання під контролем. Непідконтрольне навчання використовує процедури, які намагаються знайти природні розділи шаблонів.

При непідконтрольному навчанні немає зворотного зв’язку, заснованого на результатах прогнозування, тобто немає вчителя, який би вас виправляв. За методами без нагляду навчальних прикладів не наводяться мічені приклади і не існує поняття результатів у процесі навчання. В результаті, схема / модель навчання залежить від пошуку моделей або виявлення груп вхідних даних

Ви повинні використовувати непідконтрольні методи навчання, коли вам потрібен великий обсяг даних для підготовки ваших моделей, а також готовність та вміння експериментувати та досліджувати, і, звичайно, завдання, яке недостатньо вирішено за допомогою більш усталених методів. можна вивчити більші та складніші моделі, ніж при контрольованому навчанні. Ось хороший приклад для цього

.

Контрольоване навчання: скажіть, дитина переходить у дитячий сад. тут вчитель показує йому 3 іграшки-будинок, бал та машину. тепер вчитель дає йому 10 іграшок. він класифікує їх у 3 ящики з домом, балом та машиною на основі попереднього досвіду. тому малюк вперше був під наглядом вчителів за отримання правильних відповідей на кілька комплектів. потім його випробували на невідомих іграшках.

Навчання без нагляду: знову приклад дитячого садка. Дитині дають 10 іграшок. йому кажуть сегментувати подібні. тому на основі таких функцій, як форма, розмір, колір, функція тощо, він спробує скласти 3 групи: A, B, C і згрупувати їх.

Слово "Наглядати" означає, що ви даєте нагляд / інструкцію машині, щоб допомогти йому знайти відповіді. Як тільки він засвоїть інструкції, він може легко передбачити новий випадок.

Без нагляду означає, що немає нагляду або інструкцій, як знайти відповіді / етикетки, і машина буде використовувати свою розвідку, щоб знайти певну модель у наших даних. Тут він не прогнозує, він просто спробує знайти кластери, які мають схожі дані.

Вже існує багато відповідей, які детально пояснюють відмінності. Я знайшов цих gif- файлів у кодекадемії, і вони часто допомагають мені ефективно пояснити відмінності.

Контрольоване навчання

Зауважте, що навчальні зображення тут мають мітки і що модель вивчає назви зображень.

Навчання без нагляду

Зауважте, що тут робиться лише групування (кластеризація) і що модель нічого не знає про жодне зображення.

Алгоритм навчання нейронної мережі може бути як під наглядом, так і без нагляду.

Кажуть, що нейронна сітка вчиться під наглядом, якщо потрібний вихід вже відомий. Приклад: асоціація візерунків

Нейронні мережі, які навчаються без нагляду, не мають таких цільових результатів. Неможливо визначити, як виглядатиме результат навчального процесу. Під час процесу навчання одиниці (значення ваги) такої нейронної сітки «розташовуються» всередині певного діапазону, залежно від заданих вхідних значень. Мета - згрупувати подібні одиниці, близькі між собою в певних областях діапазону значень. Приклад: класифікація шаблонів

Контрольоване навчання, дані з відповіддю.

З огляду на електронну пошту, позначену як спам / не спам, вивчіть фільтр спаму.

Враховуючи набір даних про пацієнтів, діагностованих як діабет, або ні, навчіться класифікувати нових пацієнтів як діабетичні чи ні.

Без нагляду за навчанням, з огляду на дані без відповіді, дозвольте комп'ютеру групувати речі.

Враховуючи набір новин, знайдених в Інтернеті, згрупуйте в набір статей приблизно одну історію.

Надаючи базу даних користувацьких даних, автоматично відкривайте сегменти ринку та групуйте клієнтів у різних сегментах ринку.

Довідково

Контрольоване навчання

У цьому кожен шаблон введення, який використовується для тренування мережі, пов'язаний з вихідним шаблоном, який є цільовим або бажаним шаблоном. Передбачається, що вчитель присутній у процесі навчання, коли проводиться порівняння між обчислюваним результатом мережі та правильним очікуваним результатом для визначення помилки. Потім помилка може бути використана для зміни мережевих параметрів, що призводить до підвищення продуктивності.

Навчання без нагляду

У цьому методі навчання цільовий вихід не представлений мережі. Начебто немає вчителя, який би подав бажаний зразок, а значить, система вчиться самостійно, виявляючи та адаптуючись до структурних особливостей в шаблонах введення.

Навчальне навчання : Ви наводите різні приклади даних як вхідні дані разом з правильними відповідями. Цей алгоритм дізнається з нього і почне прогнозувати правильні результати на основі поданих даних. Приклад : Фільтр електронної пошти по електронній пошті

Навчання без нагляду : ви просто даєте дані і нічого не повідомляєте - як етикетки або правильні відповіді. Алгоритм автоматично аналізує шаблони даних. Приклад : Новини Google

Я спробую зробити це просто.

Контрольоване навчання: У цій техніці навчання нам надають набір даних, і система вже знає правильний вихід набору даних. Отже, наша система вчиться, передбачивши власну цінність. Потім він робить перевірку точності, використовуючи функцію витрат, щоб перевірити, наскільки близький його прогноз до фактичного виходу.

Навчання без нагляду: У такому підході ми мало знаємо або не знаємо, яким би був наш результат. Отже, натомість ми отримуємо структуру з даних, де нам не відомий ефект змінної. Ми робимо структуру шляхом кластеризації даних на основі співвідношення між змінною в даних. Тут ми не маємо зворотного зв’язку на основі нашого прогнозу.

Контрольоване навчання

У вас є вхід x і цільовий вихід t. Отже, ви тренуєте алгоритм для узагальнення до відсутніх частин. Він контролюється, оскільки мета задана. Ви є керівником, який говорить алгоритм: Для прикладу x слід вивести t!

Навчання без нагляду

Хоча сегментація, кластеризація та стиснення зазвичай зараховуються в цьому напрямку, мені важко придумати гарне визначення для цього.

Візьмемо для прикладу автоматичні кодери для стиснення . У той час як у вас є лише дані x, інженер-людина інженер розповідає алгоритму, що ціль також x. Тож у певному сенсі це не відрізняється від контрольованого навчання.

А щодо кластеризації та сегментації я не надто впевнений, чи дійсно вона відповідає визначенню машинного навчання (див. Інше питання ).

Контрольоване навчання: Ви позначені даними, і з цього потрібно вчитися. наприклад, дані про будинок разом з ціною, а потім навчитеся прогнозувати ціну

Навчання без нагляду: ви повинні знайти тенденцію, а потім передбачити, без попередніх міток. наприклад, різні люди в класі, а потім приходить нова людина, тож до якої групи належить цей новий учень.

У контрольованому навчанні ми знаємо, яким повинен бути вхід та вихід. Наприклад, поданий набір автомобілів. Ми повинні з'ясувати, які червоні, а які сині.

Тоді як непідконтрольне навчання - це те, коли нам потрібно знайти відповідь дуже мало або без будь-якого уявлення про те, яким повинен бути результат. Наприклад, учень, можливо, зможе побудувати модель, яка визначає, коли люди посміхаються, ґрунтуючись на співвідношенні моделей обличчя та слів, таких як "що ти посміхаєшся?".

Контрольоване навчання може позначити новий предмет на одному з підготовлених етикеток на основі навчання під час навчання. Вам потрібно надати велику кількість наборів даних про навчання, набір даних валідації та тестовий набір даних. Якщо ви надаєте вектори зображення пікселів цифр разом із навчальними даними з мітками, вони можуть ідентифікувати числа.

Навчання без нагляду не вимагає набору даних про навчання. Під час навчання без нагляду він може групувати предмети в різні кластери на основі різниці вхідних векторів. Якщо ви надаєте піксельні вектори зображень цифр і попросите їх класифікувати на 10 категорій, він може це зробити. Але він знає, як позначити це, оскільки ви не надали етикетки для навчання.

Контрольоване навчання - це в основному там, де ви маєте вхідні змінні (x) та змінну виводу (y) та використовуєте алгоритм для вивчення функції відображення від введення до виводу. Причина, чому ми назвали це під наглядом, полягає в тому, що алгоритм вчиться на основі навчальних наборів даних, алгоритм ітеративно робить прогнози щодо навчальних даних. Підконтрольні мають два типи - класифікація та регресія. Класифікація - це коли змінна вихідна категорія на зразок так / ні, істина / хибність. Регресія - це тоді, коли на виході є реальні значення, такі як зріст людини, температура тощо.

Навчання під контролем ООН - це те, де у нас є лише вхідні дані (X) і відсутні вихідні змінні. Це називається непідконтрольним навчанням, оскільки на відміну від контрольованого навчання вище немає правильних відповідей і немає вчителя. Алгоритми залишаються за власними силами розкрити та представити цікаву структуру в даних.

Типи навчання без нагляду - це кластеризація та асоціація.

Контрольоване навчання - це, в основному, техніка, в якій дані про навчання, з яких навчається машина, вже позначені, це припустимо простий класичний класифікатор непарних чисел, де ви вже класифікували дані під час навчання. Тому він використовує "МЕТАЛІ" дані.

Навпаки, навчання без нагляду - це техніка, в якій машина сама позначає дані. Або ви можете сказати, що машина вчиться сама з нуля.

У простому контрольованому навчанні - це проблема машинного навчання, в якій у нас є деякі мітки, і за допомогою цих міток ми реалізуємо такий алгоритм, як регресія та класифікація. так ні. а регресія застосовується там, де виставлено реальну вартість такого будинку ціною

Непідконтрольне навчання - це тип машинного навчання, при якому у нас немає ярликів, це означає, що у нас є лише деякі дані, неструктуровані дані, і ми повинні кластеризувати дані (групувати дані) за допомогою різних непідконтрольних алгоритму

Контрольоване машинне навчання

"Процес навчання алгоритму з навчального набору даних та прогнозування результатів."

Точність прогнозованого результату прямо пропорційна навчальним даним (тривалість)

Під контрольним навчанням ви маєте вхідні змінні (x) (навчальний набір даних) та змінну виводу (Y) (тестовий набір даних), і ви використовуєте алгоритм для вивчення функції відображення від введення до виводу.

Y = f(X)

Основні типи:

• Класифікація (дискретна вісь y)
• Прогноз (безперервна вісь у)

Алгоритми:

• Алгоритми класифікації:

  Neural Networks  
  Naïve Bayes classifiers  
  Fisher linear discriminant  
  KNN 
  Decision Tree 
  Super Vector Machines
  

• Алгоритми прогнозування:

  Nearest  neighbor  
  Linear Regression,Multi Regression 
  

Області застосування:

1. Класифікація електронних листів як спаму
2. Класифікація, чи є у пацієнта захворювання чи ні

3. Розпізнавання голосу

4. Прогнозуйте, чи буде обраний кадровий конкретний кандидат чи ні

5. Прогнозуйте ціну на фондовому ринку

Контрольоване навчання :

Контрольований алгоритм навчання аналізує навчальні дані та виробляє певну функцію, яку можна використовувати для відображення нових прикладів.

1. Ми надаємо дані про навчання і знаємо правильний результат для певного введення
2. Ми знаємо залежність між входом і виходом

Категорії проблем:

Регресія: спрогнозуйте результати в межах безперервного виводу => відображення змінних введення для деякої безперервної функції.

Приклад:

Давши картину людини, передбачте її вік

Класифікація: передбачення результатів дискретного виводу => відображення вхідних змінних на дискретні категорії

Приклад:

Це пухлина ракова?

Навчання без нагляду:

Навчання без нагляду вивчається на основі даних тестів, які не були марковані, класифіковані та не класифіковані. Непідконтрольне навчання ідентифікує спільність у даних та реагує на основі наявності чи відсутності таких спільностей у кожному новому фрагменті даних.

1. Ми можемо отримати цю структуру шляхом кластеризації даних на основі співвідношень між змінними в даних.

2. Немає відгуків на основі результатів прогнозування.

Категорії проблем:

Кластеризація: це завдання згрупувати набір об’єктів таким чином, що об’єкти в одній групі (званій кластером) більше схожі (в деякому сенсі) один на одного, ніж на інші групи (кластери)

Приклад:

Візьміть колекцію з 1 000 000 різних генів і знайдіть спосіб автоматичного згрупування цих генів у групи, які якимось чином схожі або пов'язані різними змінними, такими як тривалість життя, місцезнаходження, ролі тощо .

Тут перераховані популярні випадки використання.

Різниця між класифікацією та кластеризацією при обробці даних?

Список літератури:

Контрольований_навчання

Непідконтрольне_навчання

машинне навчання з курсу

назустрічданим

Контрольоване навчання

Навчання без нагляду

Приклад:

Контрольоване навчання:

• Один мішок з яблуком

• Одна сумка з апельсином

  => побудувати модель

• По одному змішаному пакетику яблуко і апельсин.

  => Будь ласка, класифікуйте

Навчання без нагляду:

• По одному змішаному пакетику яблуко і апельсин.

  => побудувати модель

• Ще одна змішана сумка

  => Будь ласка, класифікуйте

Простими словами .. :) Це моє розуміння, сміливо виправляйте. Контрольоване навчання - ми знаємо, що прогнозуємо на основі наданих даних. Отже, у наборі даних є стовпець, який потрібно передбачити. Навчання без нагляду - ми намагаємося витягнути значення із наданого набору даних. У нас немає чіткості щодо того, що можна передбачити. Тож питання, чому ми це робимо? .. :) Відповідь - результатом непідконтрольного навчання є групи / кластери (подібні дані разом). Отже, якщо ми отримуємо будь-які нові дані, то ми пов'язуємо це з ідентифікованим кластером / групою та розуміємо його особливості.

Сподіваюся, це допоможе тобі.

контрольоване навчання

Контрольоване навчання - це те, коли ми знаємо вихід вихідних даних, тобто дані позначаються таким чином, що під час навчання моделі машинного навчання він зрозуміє, що потрібно виявити в даному виході, і він направить систему під час навчання на виявляючи попередньо позначені об'єкти на цій основі, він виявляє подібні об'єкти, які ми надали під час навчання.

Тут алгоритми будуть знати, яка структура і структура даних. Контрольоване навчання використовується для класифікації

Як приклад, ми можемо мати різні об'єкти, фігури яких мають квадрат, коло, трикутник. Нашим завданням є впорядкування однакових типів фігур, на яких позначений набір даних, мають усі форми, і ми будемо тренувати модель машинного навчання на цьому наборі даних, на на основі набору навчальних дат він почне виявляти фігури.

Навчання без нагляду

Непідконтрольне навчання - це некероване навчання, коли кінцевий результат не відомий, він буде кластеризувати набір даних і на основі подібних властивостей об'єкта він розділить об'єкти на різні групи та виявить об'єкти.

Тут алгоритми будуть шукати різну картину в необроблених даних і на основі цього вони кластеризують дані. Навчання без нагляду використовується для кластеризації.

Як приклад, ми можемо мати різні об'єкти з декількома формами квадрат, коло, трикутник, тому він зробить пучки на основі властивостей об'єкта, якщо об’єкт має чотири сторони, він вважатиме його квадратним, а якщо у нього три сторони трикутником і якщо немає сторін, ніж коло, тут дані не позначені, вони самі навчаться визначати різні фігури

Машинне навчання - це поле, де ви намагаєтеся зробити машину, щоб наслідувати поведінку людини.

Ви тренуєте машину так само, як дитина. Навчання людей, виявлення особливостей, розпізнавання моделей і тренування самого себе, так само, як ви тренуєте машину, подаючи дані з різними можливостями. Машинний алгоритм ідентифікує шаблон у даних та класифікує його до певної категорії.

Машинне навчання широко поділяється на дві категорії, навчання під наглядом та без нагляду.

Контрольоване навчання - це концепція, де у вас є вхідні вектор / дані з відповідним цільовим значенням (вихід). З іншого боку, без нагляду навчання - це концепція, де у вас є лише вхідні вектори / дані без відповідного цільового значення.

Прикладом контрольованого навчання є розпізнавання рукописних цифр, де у вас є зображення цифр із відповідною цифрою [0-9], а приклад непідконтрольного навчання - групування клієнтів за купівельною поведінкою.