Juhendatud vs järelevalveta õppimine: nende vaheline erinevus

Peamised erinevused juhendatud ja juhendamata õppimise vahel

• Järelevalveõppes treenite masinat andmete abil, mis on hästi märgistatud.
• Järelevalveta õpe on masinõppe tehnika, kus te ei pea mudelit juhendama.
• Juhendatud õpe võimaldab teil koguda andmeid või toota andmeväljundit varasemast kogemusest.
• Järelevalveta masinõpe aitab teil leida andmetest igasuguseid tundmatuid mustreid.
• Regressioon ja klassifitseerimine on kahte tüüpi juhendatud masinõppe tehnikaid.
• Clustering ja assotsiatsioon on kahte tüüpi juhendamata õppimist.
• Järelevalvega õppemudelis antakse sisend- ja väljundmuutujad, järelevalveta õppemudeli korral aga ainult sisendandmed

Mis on juhendatud masinõpe?

Järelevalveõppes treenite masinat, kasutades andmeid, mis on hästi "märgistatud.” See tähendab, et mõned andmed on juba õige vastusega märgistatud. Seda võib võrrelda õppimisega, mis toimub juhendaja või õpetaja juuresolekul.

Järelevalvega õppealgoritm õpib märgistatud treeningandmetest, mis aitab ennustada ettenägematute andmete tulemusi. Täpse juhendatud masinõppe edukaks loomiseks, skaleerimiseks ja juurutamiseks kulub kõrgelt kvalifitseeritud andmeteadlaste meeskonnalt aega ja tehnilisi teadmisi. Veelgi enam, andmeteadlane peab mudelid uuesti üles ehitama, et veenduda, et esitatud arusaamad jäävad tõeks, kuni andmed muutuvad.

Mis on juhendamata õppimine?

Järelevalveta õpe on masinõppe tehnika, kus te ei pea mudelit juhendama. Selle asemel peate laskma mudelil teabe leidmiseks iseseisvalt töötada. See käsitleb peamiselt märgistamata andmeid.

Järelevalveta õppealgoritmid võimaldavad täita juhendatud õppega võrreldes keerukamaid töötlemisülesandeid. Kuigi juhendamata õppimine võib olla ettearvamatum võrreldes teiste loomuliku õppimise süvaõppe ja tugevdamise õppemeetoditega.

Miks juhendatud õpe?

• Juhendatud õpe võimaldab teil koguda andmeid või toota andmeväljundit varasemast kogemusest.
• Aitab teil kogemusi kasutades optimeerida jõudluskriteeriume
• Järelevalvega masinõpe aitab teil lahendada erinevat tüüpi reaalmaailma arvutusprobleeme.

Miks juhendamata õppimine?

Siin on peamised põhjused järelevalveta õppe kasutamiseks:

• Järelevalveta masinõpe leiab andmetest igasuguseid tundmatuid mustreid.
• Järelevalveta meetodid aitavad teil leida funktsioone, mis võivad olla kasulikud kategoriseerimiseks.
• See toimub reaalajas, nii et kõik sisendandmed tuleb õppijate juuresolekul analüüsida ja märgistada.
• Märgistamata andmeid on arvutist lihtsam hankida kui märgistatud andmeid, mis vajavad käsitsi sekkumist.

Kuidas juhendatud õpe toimib?

Näiteks soovite õpetada masinat, et aidata teil ennustada, kui kaua teil töökohalt koju sõitmiseks kulub. Siin alustate märgistatud andmete komplekti loomisega. Need andmed hõlmavad

• Ilmastikutingimused
• Kellaaeg
• Holidays

Kõik need üksikasjad on teie sisendid. Väljund on aeg, mis kulus sellel konkreetsel päeval koju tagasi sõitmiseks.

Sa tead instinktiivselt, et kui väljas sajab vihma, võtab kojusõit kauem aega. Aga masin vajab andmeid ja statistikat.

Vaatame nüüd, kuidas saate selle näite järgi välja töötada juhendatud õppemudeli, mis aitab kasutajal määrata edasi-tagasi reisimise aega. Esimene asi, mida peate looma, on treeningandmete kogum. See treeningkomplekt sisaldab kogu edasi-tagasi sõitmise aega ja vastavaid tegureid, nagu ilm, aeg jne. Selle treeningkomplekti põhjal võib teie masin näha, et vihma hulga ja koju jõudmiseks kuluva aja vahel on otsene seos.

Seega teeb see kindlaks, et mida rohkem sajab, seda kauem sõidate, et koju tagasi jõuda. Samuti võib see näha seost töölt lahkumise ja teeloleku aja vahel.

Mida lähemale kella 6, seda kauem kulub koju jõudmiseks. Teie masin võib leida mõningaid seoseid teie märgistatud andmetega.

See on teie andmemudeli algus. See hakkab mõjutama seda, kuidas vihm mõjutab inimeste sõiduviisi. Samuti hakkab ilmnema, et rohkem inimesi reisib teatud kellaajal.

Kuidas juhendamata õppimine toimib?

Võtame näiteks beebi ja tema perekoera juhtumi.

Ta teab ja tuvastab selle koera. Mõni nädal hiljem toob peretuttav kaasa koera ja proovib lapsega mängida.

Beebi pole seda koera varem näinud. Kuid ta tunneb ära, et paljud omadused (2 kõrva, silmad, 4 jalal kõndimine) on nagu tema lemmikkoer. Ta tuvastab uue looma nagu koera. See on järelevalveta õpe, kus teid ei õpetata, vaid õpite andmetest (antud juhul andmed koera kohta). Kui see oleks olnud juhendatud õpe, oleks peretuttav lapsele öelnud, et see on koer.

Juhendatud masinõppetehnikate tüübid

Regressioon

Regressioonitehnika ennustab treeningandmeid kasutades ühe väljundi väärtuse.

Näide. Regressiooni abil saate koolitusandmete põhjal majahinna ennustada. Sisendmuutujateks on asukoht, maja suurus jne.

Klassifikatsioon

Klassifitseerimine tähendab väljundi rühmitamist klassi sees. Kui algoritm püüab märgistada sisendit kahte erinevasse klassi, nimetatakse seda binaarseks klassifikatsiooniks. Rohkem kui kahe klassi vahel valimist nimetatakse mitme klassi klassifikatsiooniks.

Näide: selle kindlaksmääramine, kas keegi jääb laenu rikkujaks või mitte.

Tugevused: Väljunditel on alati tõenäosuslik tõlgendus ja algoritmi saab reguleerida, et vältida ülepaigutamist.

Nõrkused: Logistiline regressioon võib halvemini toimida, kui on mitu või mittelineaarset otsustuspiiri. See meetod ei ole paindlik, seega ei hõlma see keerulisemaid suhteid.

Järelevalveta masinõppetehnikate tüübid

Järelevalveta õppimisprobleemid rühmitati veelgi rühmitus- ja assotsieerimisprobleemideks.

Clusterse

Clustering on oluline mõiste, kui tegemist on juhendamata õppimisega. See tegeleb peamiselt struktuuri või mustri leidmisega kategoriseerimata andmete kogumist. ClusterAlgoritmid töötlevad teie andmeid ja leiavad loomulikud klastrid (rühmad), kui need on andmetes olemas. Samuti saate muuta, kui palju klastreid teie algoritmid peaksid tuvastama. See võimaldab teil reguleerida nende rühmade detailsust.

Ühing

Seostusreeglid võimaldavad luua seoseid suurtes andmebaasides olevate andmeobjektide vahel. Selle järelevalveta tehnika eesmärk on avastada põnevaid seoseid suurtes andmebaasides muutujate vahel. Näiteks inimesed, kes ostavad uue kodu, ostavad kõige tõenäolisemalt uut mööblit.

Muud näited:

• Vähihaigete alarühm, mis on rühmitatud nende geeniekspressiooni mõõtmiste järgi
• Ostjate rühmad nende sirvimis- ja ostuajaloo põhjal
• Filmirühm filmide vaatajate antud hinnangu järgi

Erinevus juhendatud ja juhendamata õppimise vahel

parameetrid	Juhendatud masinõppe tehnika	Järelevalveta masinõppe tehnika
Protsess	Juhendatud õppemudelis antakse sisend- ja väljundmuutujad.	Järelevalveta õppemudelis esitatakse ainult sisendandmed
Sisendandmed	Algorithms on koolitatud märgistatud andmete abil.	Algorithms kasutatakse andmete vastu, mis pole märgistatud
Algorithms Kasutatud	Toetage vektormasinat, närvivõrku, lineaarset ja logistilist regressiooni, juhuslikku metsa ja klassifikatsioonipuid.	Järelevalveta algoritme saab jagada erinevatesse kategooriatesse: nagu Cluster algoritmid, K-keskmised, hierarhiline klasterdamine jne.
Arvutuslik keerukus	Juhendatud õpe on lihtsam meetod.	Juhendajata õppimine on arvutuslikult keeruline
Andmete kasutamine	Juhendatud õppemudel kasutab koolitusandmeid sisendi ja väljundite vahelise seose õppimiseks.	Järelevalveta õppimine ei kasuta väljundandmeid.
Tulemuste täpsus	Väga täpne ja usaldusväärne meetod.	Less täpne ja usaldusväärne meetod.
Reaalajas õppimine	Õppemeetod toimub võrguühenduseta.	Õppemeetod toimub reaalajas.
Klasside arv	Klasside arv on teada.	Klasside arv pole teada.
Peamine puudus	Suurandmete klassifitseerimine võib olla juhendatud õppe puhul tõeline väljakutse.	Andmete sortimise kohta ei saa täpset teavet ning väljund järelevalveta õppes kasutatavate andmetena on märgistatud ja teadmata.