Εκμάθηση με επίβλεψη έναντι χωρίς επίβλεψη: Διαφορά μεταξύ τους

Βασική διαφορά μεταξύ εποπτευόμενης και μη εποπτευόμενης μάθησης

• Στην εποπτευόμενη εκμάθηση, εκπαιδεύετε το μηχάνημα χρησιμοποιώντας δεδομένα που είναι καλά "επισημασμένα".
• Η μάθηση χωρίς επίβλεψη είναι μια τεχνική μηχανικής μάθησης, όπου δεν χρειάζεται να επιβλέπετε το μοντέλο.
• Η εποπτευόμενη μάθηση σάς επιτρέπει να συλλέγετε δεδομένα ή να παράγετε δεδομένα από την προηγούμενη εμπειρία.
• Η μη εποπτευόμενη μηχανική εκμάθηση σάς βοηθά να βρίσκετε κάθε είδους άγνωστα μοτίβα στα δεδομένα.
• Η παλινδρόμηση και η ταξινόμηση είναι δύο τύποι εποπτευόμενων τεχνικών μηχανικής εκμάθησης.
• ClusterΤο ing και το Association είναι δύο τύποι μάθησης χωρίς επίβλεψη.
• Σε ένα μοντέλο εποπτευόμενης μάθησης, θα δίνονται μεταβλητές εισόδου και εξόδου, ενώ με μοντέλο μάθησης χωρίς επίβλεψη, θα δίνονται μόνο δεδομένα εισόδου

Τι είναι η εποπτευόμενη μηχανική μάθηση;

Στην εποπτευόμενη εκμάθηση, εκπαιδεύετε το μηχάνημα χρησιμοποιώντας δεδομένα που είναι καλά "με την ένδειξη.» Σημαίνει ότι ορισμένα δεδομένα έχουν ήδη επισημανθεί με τη σωστή απάντηση. Μπορεί να συγκριθεί με τη μάθηση που λαμβάνει χώρα παρουσία ενός επόπτη ή ενός δασκάλου.

Ένας εποπτευόμενος αλγόριθμος μάθησης μαθαίνει από δεδομένα εκπαίδευσης με ετικέτα, σας βοηθά να προβλέψετε τα αποτελέσματα για απρόβλεπτα δεδομένα. Η επιτυχής κατασκευή, κλιμάκωση και ανάπτυξη ακριβούς μοντέλου επιστήμης της μηχανικής εκμάθησης με εποπτεία απαιτεί χρόνο και τεχνική τεχνογνωσία από μια ομάδα επιστημόνων δεδομένων υψηλής εξειδίκευσης. Επιπλέον, ο επιστήμονας δεδομένων πρέπει να ξαναχτίσει μοντέλα για να βεβαιωθεί ότι οι πληροφορίες που δίνονται παραμένουν αληθινές μέχρι να αλλάξουν τα δεδομένα του.

Τι είναι η μάθηση χωρίς επίβλεψη;

Η μάθηση χωρίς επίβλεψη είναι μια τεχνική μηχανικής μάθησης, όπου δεν χρειάζεται να επιβλέπετε το μοντέλο. Αντίθετα, πρέπει να επιτρέψετε στο μοντέλο να λειτουργήσει μόνο του για να ανακαλύψει πληροφορίες. Ασχολείται κυρίως με τα δεδομένα χωρίς ετικέτα.

Οι αλγόριθμοι μάθησης χωρίς επίβλεψη σάς επιτρέπουν να εκτελείτε πιο σύνθετες εργασίες επεξεργασίας σε σύγκριση με την εποπτευόμενη μάθηση. Αν και, η μάθηση χωρίς επίβλεψη μπορεί να είναι πιο απρόβλεπτη σε σύγκριση με άλλες μεθόδους φυσικής μάθησης βαθιάς μάθησης και ενίσχυσης μάθησης.

Γιατί η εποπτευόμενη μάθηση;

• Η εποπτευόμενη μάθηση σάς επιτρέπει να συλλέγετε δεδομένα ή να παράγετε δεδομένα από την προηγούμενη εμπειρία.
• Σας βοηθά να βελτιστοποιήσετε τα κριτήρια απόδοσης χρησιμοποιώντας την εμπειρία
• Η εποπτευόμενη μηχανική εκμάθηση σάς βοηθά να επιλύετε διάφορους τύπους προβλημάτων υπολογισμού του πραγματικού κόσμου.

Γιατί μάθηση χωρίς επίβλεψη;

Ακολουθούν οι κύριοι λόγοι για τη χρήση της Εκμάθησης χωρίς επίβλεψη:

• Η μη εποπτευόμενη μηχανική εκμάθηση εντοπίζει κάθε είδους άγνωστα μοτίβα στα δεδομένα.
• Οι μέθοδοι χωρίς επίβλεψη σάς βοηθούν να βρείτε λειτουργίες που μπορεί να είναι χρήσιμες για την κατηγοριοποίηση.
• Πραγματοποιείται σε πραγματικό χρόνο, ώστε όλα τα δεδομένα εισόδου να αναλύονται και να επισημαίνονται παρουσία των εκπαιδευομένων.
• Είναι ευκολότερο να λαμβάνετε δεδομένα χωρίς ετικέτα από έναν υπολογιστή παρά δεδομένα με ετικέτα, τα οποία χρειάζονται χειροκίνητη παρέμβαση.

Πώς λειτουργεί η εποπτευόμενη μάθηση;

Για παράδειγμα, θέλετε να εκπαιδεύσετε ένα μηχάνημα για να σας βοηθήσει να προβλέψετε πόσο χρόνο θα σας πάρει για να οδηγήσετε στο σπίτι από τον χώρο εργασίας σας. Εδώ, ξεκινάτε δημιουργώντας ένα σύνολο δεδομένων με ετικέτα. Αυτά τα δεδομένα περιλαμβάνουν

• Καιρικές συνθήκες
• Ωρα της ημέρας
• Διακοπές

Όλες αυτές οι λεπτομέρειες είναι οι εισροές σας. Η έξοδος είναι ο χρόνος που χρειάστηκε για να επιστρέψετε στο σπίτι εκείνη τη συγκεκριμένη ημέρα.

Ξέρεις ενστικτωδώς ότι αν βρέχει έξω, τότε θα σου πάρει περισσότερο χρόνο για να οδηγήσεις στο σπίτι. Όμως το μηχάνημα χρειάζεται δεδομένα και στατιστικά.

Ας δούμε τώρα πώς μπορείτε να αναπτύξετε ένα μοντέλο εποπτευόμενης εκμάθησης αυτού του παραδείγματος που βοηθά τον χρήστη να καθορίσει τον χρόνο μετακίνησης. Το πρώτο πράγμα που χρειάζεται να δημιουργήσετε είναι ένα σύνολο δεδομένων εκπαίδευσης. Αυτό το σετ εκπαίδευσης θα περιέχει τον συνολικό χρόνο μετακίνησης και αντίστοιχους παράγοντες όπως ο καιρός, η ώρα κ.λπ. Με βάση αυτό το σετ εκπαίδευσης, το μηχάνημά σας μπορεί να δει ότι υπάρχει άμεση σχέση μεταξύ της ποσότητας βροχής και του χρόνου που θα χρειαστείτε για να φτάσετε στο σπίτι.

Έτσι, διαπιστώνει ότι όσο περισσότερο βρέχει, τόσο περισσότερο θα οδηγείτε για να επιστρέψετε στο σπίτι σας. Μπορεί επίσης να δει τη σύνδεση μεταξύ της ώρας που αφήνετε την εργασία σας και της ώρας που θα είστε στο δρόμο.

Όσο πλησιάζετε στις 6 το απόγευμα τόσο περισσότερος χρόνος χρειάζεται για να φτάσετε στο σπίτι. Το μηχάνημά σας μπορεί να βρει ορισμένες από τις σχέσεις με τα δεδομένα σας με ετικέτα.

Αυτή είναι η αρχή του μοντέλου δεδομένων σας. Αρχίζει να επηρεάζει το πώς η βροχή επηρεάζει τον τρόπο που οδηγούν οι άνθρωποι. Αρχίζει επίσης να βλέπει ότι περισσότεροι άνθρωποι ταξιδεύουν μια συγκεκριμένη ώρα της ημέρας.

Πώς λειτουργεί η μάθηση χωρίς επίβλεψη;

Ας πάρουμε την περίπτωση ενός μωρού και του οικογενειακού του σκύλου.

Γνωρίζει και αναγνωρίζει αυτόν τον σκύλο. Λίγες εβδομάδες αργότερα ένας οικογενειακός φίλος φέρνει μαζί ένα σκύλο και προσπαθεί να παίξει με το μωρό.

Το μωρό δεν έχει δει αυτό το σκυλί νωρίτερα. Αλλά αναγνωρίζει πολλά χαρακτηριστικά (2 αυτιά, μάτια, περπάτημα στα 4 πόδια) είναι σαν το κατοικίδιο σκυλί της. Αναγνωρίζει ένα νέο ζώο σαν τον σκύλο. Αυτή είναι η μάθηση χωρίς επίβλεψη, όπου δεν διδάσκεσαι, αλλά μαθαίνεις από τα δεδομένα (σε αυτήν την περίπτωση δεδομένα για έναν σκύλο.) Αν αυτή ήταν υπό επίβλεψη μάθηση, ο οικογενειακός φίλος θα είχε πει στο μωρό ότι είναι σκύλος.

Τύποι εποπτευόμενων τεχνικών μηχανικής μάθησης

Οπισθοδρόμηση

Η τεχνική παλινδρόμησης προβλέπει μια μοναδική τιμή εξόδου χρησιμοποιώντας δεδομένα εκπαίδευσης.

Παράδειγμα: Μπορείτε να χρησιμοποιήσετε την παλινδρόμηση για να προβλέψετε την τιμή της κατοικίας από τα δεδομένα εκπαίδευσης. Οι μεταβλητές εισόδου θα είναι η τοποθεσία, το μέγεθος ενός σπιτιού κ.λπ.

Ταξινόμηση

Ταξινόμηση σημαίνει ομαδοποίηση της εξόδου μέσα σε μια κλάση. Εάν ο αλγόριθμος προσπαθήσει να χαρακτηρίσει την είσοδο σε δύο διακριτές κλάσεις, ονομάζεται δυαδική ταξινόμηση. Η επιλογή μεταξύ περισσότερων από δύο κλάσεων αναφέρεται ως ταξινόμηση πολλαπλών κλάσεων.

Παράδειγμα: Καθορισμός εάν κάποιος θα είναι ή όχι αθετητής του δανείου.

Δυνατά: Οι έξοδοι έχουν πάντα μια πιθανολογική ερμηνεία και ο αλγόριθμος μπορεί να ρυθμιστεί για να αποφευχθεί η υπερβολική προσαρμογή.

Αδυναμίες: Η λογιστική παλινδρόμηση μπορεί να υπολειτουργεί όταν υπάρχουν πολλαπλά ή μη γραμμικά όρια απόφασης. Αυτή η μέθοδος δεν είναι ευέλικτη, επομένως δεν καταγράφει πιο σύνθετες σχέσεις.

Τύποι τεχνικών μηχανικής εκμάθησης χωρίς επίβλεψη

Τα προβλήματα μάθησης χωρίς επίβλεψη ομαδοποιούνται περαιτέρω σε προβλήματα ομαδοποίησης και συσχέτισης.

ClusterING

ClusterΗ μάθηση είναι μια σημαντική έννοια όταν πρόκειται για μάθηση χωρίς επίβλεψη. Ασχολείται κυρίως με την εύρεση μιας δομής ή μοτίβου σε μια συλλογή μη κατηγοριοποιημένων δεδομένων. ClusterΟι αλγόριθμοι επεξεργασίας θα επεξεργάζονται τα δεδομένα σας και θα βρουν φυσικά συμπλέγματα (ομάδες) εάν υπάρχουν στα δεδομένα. Μπορείτε επίσης να τροποποιήσετε πόσα συμπλέγματα θα πρέπει να αναγνωρίζουν οι αλγόριθμοί σας. Σας επιτρέπει να προσαρμόσετε την ευαισθησία αυτών των ομάδων.

Σχέση

Οι κανόνες συσχέτισης σάς επιτρέπουν να δημιουργείτε συσχετίσεις μεταξύ αντικειμένων δεδομένων μέσα σε μεγάλες βάσεις δεδομένων. Αυτή η τεχνική χωρίς επίβλεψη αφορά την ανακάλυψη συναρπαστικών σχέσεων μεταξύ μεταβλητών σε μεγάλες βάσεις δεδομένων. Για παράδειγμα, οι άνθρωποι που αγοράζουν ένα νέο σπίτι είναι πιο πιθανό να αγοράσουν νέα έπιπλα.

Άλλα παραδείγματα:

• Μια υποομάδα ασθενών με καρκίνο που ομαδοποιούνται με βάση τις μετρήσεις γονιδιακής τους έκφρασης
• Ομάδες αγοραστών με βάση το ιστορικό περιήγησης και αγορών τους
• Ομάδα ταινιών με βάση τη βαθμολογία που δίνουν οι θεατές ταινιών

Διαφορά μεταξύ εποπτευόμενης και μη εποπτευόμενης μάθησης

Παράμετροι	Εποπτευόμενη τεχνική μηχανικής εκμάθησης	Τεχνική μηχανικής εκμάθησης χωρίς επίβλεψη
Διαδικασία	Σε ένα εποπτευόμενο μοντέλο μάθησης, θα δοθούν μεταβλητές εισόδου και εξόδου.	Στο μοντέλο εκμάθησης χωρίς επίβλεψη, θα δίνονται μόνο δεδομένα εισόδου
Εισαγωγή δεδομένων	Algorithms εκπαιδεύονται χρησιμοποιώντας δεδομένα με ετικέτα.	Algorithms χρησιμοποιούνται έναντι δεδομένων που δεν φέρουν ετικέτα
Algorithms Μεταχειρισμένο	Υποστήριξη διανυσματική μηχανή, νευρωνικό δίκτυο, γραμμική και logistics παλινδρόμηση, τυχαίο δάσος και δέντρα ταξινόμησης.	Οι αλγόριθμοι χωρίς επίβλεψη μπορούν να χωριστούν σε διάφορες κατηγορίες: όπως Cluster αλγόριθμοι, K-means, Ιεραρχική ομαδοποίηση κ.λπ.
Υπολογιστική Πολυπλοκότητα	Η εποπτευόμενη μάθηση είναι μια απλούστερη μέθοδος.	Η μάθηση χωρίς επίβλεψη είναι υπολογιστικά περίπλοκη
Χρήση δεδομένων	Το μοντέλο εποπτευόμενης μάθησης χρησιμοποιεί δεδομένα εκπαίδευσης για να μάθει μια σύνδεση μεταξύ των εισροών και των εξόδων.	Η μάθηση χωρίς επίβλεψη δεν χρησιμοποιεί δεδομένα εξόδου.
Ακρίβεια των αποτελεσμάτων	Μέθοδος υψηλής ακρίβειας και αξιοπιστίας.	Less ακριβής και αξιόπιστη μέθοδος.
Εκμάθηση σε πραγματικό χρόνο	Η μέθοδος εκμάθησης πραγματοποιείται εκτός σύνδεσης.	Η μέθοδος μάθησης πραγματοποιείται σε πραγματικό χρόνο.
Αριθμός κλάσεων	Ο αριθμός των τάξεων είναι γνωστός.	Ο αριθμός των τάξεων δεν είναι γνωστός.
Κύριο μειονέκτημα	Η ταξινόμηση μεγάλων δεδομένων μπορεί να είναι μια πραγματική πρόκληση στην εποπτευόμενη μάθηση.	Δεν μπορείτε να λάβετε ακριβείς πληροφορίες σχετικά με την ταξινόμηση δεδομένων και η έξοδος ως δεδομένα που χρησιμοποιούνται σε εκμάθηση χωρίς επίβλεψη έχει ετικέτα και δεν είναι γνωστή.