Ohjattu vs ohjaamaton oppiminen: ero niiden välillä

Keskeinen ero ohjatun ja ohjaamattoman oppimisen välillä

• Ohjatussa oppimisessa harjoitat konetta käyttämällä dataa, joka on hyvin "merkitty".
• Ohjaamaton oppiminen on koneoppimistekniikkaa, jossa mallia ei tarvitse valvoa.
• Ohjatun oppimisen avulla voit kerätä tietoja tai tuottaa datatulosteen aiemmasta kokemuksesta.
• Valvomaton koneoppiminen auttaa sinua löytämään tiedosta kaikenlaisia ​​tuntemattomia kuvioita.
• Regressio ja luokittelu ovat kahdenlaisia ​​valvottuja koneoppimistekniikoita.
• Clustering ja assosiaatio ovat kaksi ohjaamatonta oppimista.
• Valvotussa oppimismallissa syöte- ja lähtömuuttujat annetaan, kun taas valvomattomassa oppimismallissa vain syötetiedot annetaan

Mitä on valvottu koneoppiminen?

Ohjatussa oppimisessa harjoittelet konetta käyttämällä dataa, joka on hyvin "merkitty.” Se tarkoittaa, että osa tiedoista on jo merkitty oikealla vastauksella. Sitä voidaan verrata oppimiseen, joka tapahtuu ohjaajan tai opettajan läsnä ollessa.

Valvottu oppimisalgoritmi oppii merkityistä harjoitustiedoista ja auttaa sinua ennustamaan odottamattomien tietojen tuloksia. Tarkan valvotun koneoppimismallin onnistunut rakentaminen, skaalaaminen ja käyttöönotto vaatii aikaa ja teknistä asiantuntemusta korkeasti koulutetulta datatieteilijältä. Lisäksi tietotieteilijän on rakennettava malleja uudelleen varmistaakseen, että annetut oivallukset pysyvät todenmukaisina, kunnes tiedot muuttuvat.

Mitä on ohjaamaton oppiminen?

Ohjaamaton oppiminen on koneoppimistekniikkaa, jossa mallia ei tarvitse valvoa. Sen sijaan sinun on annettava mallin toimia itsenäisesti tiedon löytämiseksi. Se käsittelee pääasiassa merkitsemättömiä tietoja.

Valvomattomien oppimisalgoritmien avulla voit suorittaa monimutkaisempia käsittelytehtäviä kuin ohjattu oppiminen. Tosin ohjaamaton oppiminen voi olla arvaamattomampaa verrattuna muihin luonnollisen oppimisen syväoppimis- ja vahvistamismenetelmiin.

Miksi ohjattu oppiminen?

• Ohjatun oppimisen avulla voit kerätä tietoja tai tuottaa datatulosteen aiemmasta kokemuksesta.
• Auttaa optimoimaan suorituskykykriteerit kokemuksen avulla
• Valvottu koneoppiminen auttaa sinua ratkaisemaan erilaisia ​​reaalimaailman laskentaongelmia.

Miksi ohjaamaton oppiminen?

Tässä ovat tärkeimmät syyt valvomattoman oppimisen käyttöön:

• Valvomaton koneoppiminen löytää tiedosta kaikenlaisia ​​tuntemattomia malleja.
• Valvomattomat menetelmät auttavat sinua löytämään ominaisuuksia, joista voi olla hyötyä luokittelussa.
• Se tapahtuu reaaliajassa, joten kaikki syöttötiedot analysoidaan ja merkitään oppilaiden läsnä ollessa.
• Merkitsemättömiä tietoja on helpompi saada tietokoneelta kuin merkittyä dataa, joka vaatii manuaalista toimenpiteitä.

Kuinka ohjattu oppiminen toimii?

Haluat esimerkiksi kouluttaa koneen auttamaan sinua ennustamaan, kuinka kauan kestää ajaa kotiin työpaikaltasi. Tässä aloitat luomalla joukon merkittyjä tietoja. Nämä tiedot sisältävät

• Sääolosuhteet
• Kellonaika
• Juhlapyhät

Kaikki nämä tiedot ovat syötteitäsi. Tulos on aika, joka kului kotiin ajamiseen kyseisenä päivänä.

Tiedät vaistomaisesti, että jos ulkona sataa vettä, kotiin ajaminen kestää kauemmin. Mutta kone tarvitsee dataa ja tilastoja.

Katsotaan nyt, kuinka voit kehittää tämän esimerkin ohjatun oppimismallin, joka auttaa käyttäjää määrittämään työmatka-ajan. Ensimmäinen asia, jonka sinun on luotava, on harjoitustietojoukko. Tämä harjoitussarja sisältää kokonaistyömatka-ajan ja vastaavat tekijät, kuten sää, aika jne. Tämän harjoitussarjan perusteella koneesi saattaa nähdä, että sateen määrän ja kotiin pääsemiseen kuluvan ajan välillä on suora yhteys.

Joten se varmistaa, että mitä enemmän sataa, sitä pidempään ajat kotiin palataksesi. Se saattaa myös nähdä yhteyden töistä lähtemisen ja tien päällä olemisen välillä.

Mitä lähempänä olet kello 6, sitä kauemmin kotiin pääseminen kestää. Koneesi saattaa löytää joitakin suhteita merkittyjen tietojen kanssa.

Tämä on tietomallisi alku. Se alkaa vaikuttaa siihen, miten sade vaikuttaa ihmisten ajamiseen. Alkaa myös nähdä, että enemmän ihmisiä matkustaa tiettyyn aikaan vuorokaudesta.

Kuinka ohjaamaton oppiminen toimii?

Otetaan vaikka vauvan ja hänen perheen koiransa tapaus.

Hän tuntee ja tunnistaa tämän koiran. Muutamaa viikkoa myöhemmin perheen ystävä tuo mukanaan koiran ja yrittää leikkiä vauvan kanssa.

Vauva ei ole nähnyt tätä koiraa aikaisemmin. Mutta se tunnistaa monet piirteet (2 korvaa, silmät, kävely 4 jalalla) ovat kuin hänen lemmikkikoiraansa. Hän tunnistaa uuden eläimen, kuten koiran. Tämä on ohjaamatonta oppimista, jossa sinua ei opeteta, mutta opit tiedoista (tässä tapauksessa tiedot koirasta.) Jos tämä olisi ollut ohjattua oppimista, perheen ystävä olisi kertonut vauvalle, että se on koira.

Valvottujen koneoppimistekniikoiden tyypit

Regressio

Regressiotekniikka ennustaa yhden lähtöarvon harjoitusdatan avulla.

Esimerkki: Regression avulla voit ennustaa asunnon hinnan koulutustiedoista. Syöttömuuttujat ovat paikkakunta, talon koko jne.

Luokittelu

Luokittelu tarkoittaa tulosten ryhmittelyä luokan sisällä. Jos algoritmi yrittää nimetä syötteen kahteen erilliseen luokkaan, sitä kutsutaan binääriluokitukseksi. Valintaa useamman kuin kahden luokan välillä kutsutaan moniluokkaluokitukseksi.

esimerkki: Sen määrittäminen, laiminlyökö joku lainan vai ei.

Vahvuudet: Lähdöillä on aina todennäköisyyspohjainen tulkinta, ja algoritmia voidaan säätää ylisovituksen välttämiseksi.

heikkoudet: Logistinen regressio voi toimia huonommin, jos päätösrajoja on useita tai ei-lineaarisia. Tämä menetelmä ei ole joustava, joten se ei kaappaa monimutkaisempia suhteita.

Valvomattomien koneoppimistekniikoiden tyypit

Ohjaamattomat oppimisongelmat ryhmitellään edelleen klusterointi- ja assosiaatioongelmiin.

Clusterta

ClusterOppiminen on tärkeä käsite, kun on kyse ohjaamattomasta oppimisesta. Se käsittelee pääasiassa rakenteen tai kuvion löytämistä luokittelemattoman tiedon kokoelmasta. ClusterAlgoritmit käsittelevät tietosi ja löytävät luonnollisia klustereita (ryhmiä), jos niitä on tiedoissa. Voit myös muokata, kuinka monta klusteria algoritmisi tunnistaa. Sen avulla voit säätää näiden ryhmien tarkkuutta.

Yhdistys

Assosiaatiosääntöjen avulla voit muodostaa assosiaatioita suurten tietokantojen tietoobjektien välille. Tämän valvomattoman tekniikan tarkoituksena on löytää jännittäviä suhteita muuttujien välillä suurista tietokannoista. Esimerkiksi ihmiset, jotka ostavat uuden kodin, ostavat todennäköisimmin uusia huonekaluja.

Muut esimerkit:

• Syöpäpotilaiden alaryhmä ryhmiteltynä geeniekspressiomittausten perusteella
• Ostajaryhmät selaus- ja ostohistoriansa perusteella
• Elokuvaryhmä elokuvien katsojien antaman luokituksen mukaan

Ero ohjatun ja ohjaamattoman oppimisen välillä

parametrit	Valvottu koneoppimistekniikka	Valvomaton koneoppimistekniikka
Käsitellä asiaa	Valvotussa oppimismallissa syöte- ja lähtömuuttujat annetaan.	Ohjaamattomassa oppimismallissa vain syötetiedot annetaan
Tulotiedot	Algorithms on koulutettu käyttäen merkittyjä tietoja.	Algorithms käytetään sellaisia ​​tietoja vastaan, joita ei ole merkitty
Algorithms Käytetty	Tuki vektorikonetta, hermoverkkoa, lineaarista ja logistista regressiota, satunnaista metsää ja luokituspuita.	Valvomattomat algoritmit voidaan jakaa eri luokkiin: kuten Cluster algoritmit, K-keskiarvot, hierarkkinen klusterointi jne.
Laskennallinen monimutkaisuus	Ohjattu oppiminen on yksinkertaisempi menetelmä.	Ohjaamaton oppiminen on laskennallisesti monimutkaista
Tietojen käyttö	Ohjattu oppimismalli käyttää koulutusdataa oppiakseen yhteyden syötteen ja tulosten välillä.	Ohjaamaton oppiminen ei käytä lähtötietoja.
Tulosten tarkkuus	Erittäin tarkka ja luotettava menetelmä.	Less tarkka ja luotettava menetelmä.
Reaaliaikainen oppiminen	Oppimismenetelmä tapahtuu offline-tilassa.	Oppimismenetelmä tapahtuu reaaliajassa.
Lukumäärä	Luokkien lukumäärä on tiedossa.	Luokkien lukumäärää ei tiedetä.
Suurin haittapuoli	Big datan luokittelu voi olla todellinen haaste valvotussa oppimisessa.	Tietojen lajittelusta ei voi saada tarkkaa tietoa, ja ohjaamattomassa oppimisessa käytetty data on merkitty ja tuntematon.