Nadzirano i nenadzirano učenje: razlika između njih

Ključna razlika između nadziranog i nenadziranog učenja

• U nadziranom učenju trenirate stroj pomoću podataka koji su dobro "označeni".
• Učenje bez nadzora je tehnika strojnog učenja, gdje ne morate nadzirati model.
• Učenje pod nadzorom omogućuje vam prikupljanje podataka ili proizvodnju podataka iz prethodnog iskustva.
• Strojno učenje bez nadzora pomaže vam da pronađete sve vrste nepoznatih obrazaca u podacima.
• Regresija i klasifikacija dvije su vrste nadziranih tehnika strojnog učenja.
• Clustering i asocijacija dvije su vrste nenadziranog učenja.
• U modelu nadziranog učenja dat će se ulazne i izlazne varijable, dok će u modelu nenadziranog učenja biti dani samo ulazni podaci

Što je nadzirano strojno učenje?

U nadziranom učenju trenirate stroj pomoću podataka što je dobro "označen.” To znači da su neki podaci već označeni točnim odgovorom. Može se usporediti s učenjem koje se odvija u prisutnosti nadređenog ili učitelja.

Algoritam nadziranog učenja uči iz označenih podataka o obuci, pomaže vam da predvidite ishode za nepredviđene podatke. Uspješna izgradnja, skaliranje i implementacija preciznog modela strojnog učenja pod nadzorom zahtijevaju vrijeme i tehničku stručnost tima visoko kvalificiranih znanstvenika za podatke. Štoviše, Data scientist mora ponovno izgraditi modele kako bi osigurao da dani uvidi ostanu istiniti dok se podaci ne promijene.

Što je učenje bez nadzora?

Učenje bez nadzora je tehnika strojnog učenja, gdje ne morate nadzirati model. Umjesto toga, trebate dopustiti modelu da sam radi kako bi otkrio informacije. Uglavnom se bavi neoznačenim podacima.

Algoritmi učenja bez nadzora omogućuju vam izvođenje složenijih zadataka obrade u usporedbi s učenjem pod nadzorom. Iako učenje bez nadzora može biti nepredvidljivije u usporedbi s drugim metodama dubinskog učenja i učenja s potkrepljenjem prirodnog učenja.

Zašto nadzirano učenje?

• Učenje pod nadzorom omogućuje vam prikupljanje podataka ili proizvodnju podataka iz prethodnog iskustva.
• Pomaže vam optimizirati kriterije izvedbe koristeći iskustvo
• Nadzirano strojno učenje pomaže vam u rješavanju raznih vrsta računalnih problema u stvarnom svijetu.

Zašto učenje bez nadzora?

Evo glavnih razloga za korištenje nenadziranog učenja:

• Nenadzirano strojno učenje pronalazi sve vrste nepoznatih obrazaca u podacima.
• Nenadzirane metode pomažu vam pronaći značajke koje mogu biti korisne za kategorizaciju.
• Odvija se u realnom vremenu, tako da se svi ulazni podaci analiziraju i označavaju u prisustvu polaznika.
• Lakše je dobiti neoznačene podatke s računala nego označene podatke, koji zahtijevaju ručnu intervenciju.

Kako funkcionira nadzirano učenje?

Na primjer, želite osposobiti stroj da vam pomogne predvidjeti koliko će vam vremena trebati da se odvezete kući s radnog mjesta. Ovdje počinjete stvaranjem skupa označenih podataka. Ovi podaci uključuju

• Vremenski uvjeti
• Doba dana
• Praznici

Svi ovi detalji su vaši unosi. Izlaz je količina vremena koja je bila potrebna za vožnju kući tog određenog dana.

Instinktivno znate da će vam trebati više vremena da se vozite kući ako vani pada kiša. Ali stroj treba podatke i statistiku.

Pogledajmo sada kako možete razviti model učenja pod nadzorom iz ovog primjera koji pomaže korisniku da odredi vrijeme putovanja na posao. Prva stvar koju trebate stvoriti je skup podataka za obuku. Ovaj set za obuku sadržavat će ukupno vrijeme putovanja na posao i odgovarajuće faktore kao što su vrijeme, vrijeme itd. Na temelju ovog skupa za obuku, vaš bi stroj mogao vidjeti da postoji izravan odnos između količine kiše i vremena koje će vam trebati da stignete kući.

Dakle, utvrđuje se da što više pada kiša, to ćete se dulje voziti da biste se vratili kući. Također može vidjeti vezu između vremena kada odlazite s posla i vremena kada ćete biti na putu.

Što ste bliže 6 sati, duže vam je potrebno da stignete kući. Vaš uređaj može pronaći neke od odnosa s vašim označenim podacima.

Ovo je početak vašeg podatkovnog modela. Počinje utjecati na to kako kiša utječe na način na koji ljudi voze. Također se počinje uočavati da više ljudi putuje tijekom određenog doba dana.

Kako funkcionira nenadzirano učenje?

Uzmimo slučaj bebe i njezinog obiteljskog psa.

Ona poznaje i identificira ovog psa. Nekoliko tjedana kasnije obiteljski prijatelj dovodi psa i pokušava se igrati s bebom.

Beba nije ranije vidjela ovog psa. Ali prepoznaje mnoge značajke (2 uha, oči, hodanje na 4 noge) poput njezina psa kućnog ljubimca. Ona identificira novu životinju poput psa. Ovo je učenje bez nadzora, gdje vas ne podučavaju, već učite iz podataka (u ovom slučaju podataka o psu). Da je to učenje pod nadzorom, obiteljski prijatelj bi rekao bebi da je to pas.

Vrste nadziranih tehnika strojnog učenja

Regresija

Tehnika regresije predviđa jednu izlaznu vrijednost pomoću podataka o uvježbavanju.

Primjer: možete koristiti regresiju za predviđanje cijene kuće iz podataka o obuci. Ulazne varijable bit će mjesto, veličina kuće itd.

Klasifikacija

Klasifikacija znači grupirati izlaz unutar klase. Ako algoritam pokušava označiti ulaz u dvije različite klase, to se naziva binarna klasifikacija. Odabir između više od dvije klase naziva se višeklasna klasifikacija.

Primjer: Određivanje hoće li netko biti neplatiša zajma ili ne.

Snage: Izlazi uvijek imaju probabilističku interpretaciju, a algoritam se može regulirati kako bi se izbjeglo prekomjerno prilagođavanje.

nedostaci: Logistička regresija može biti lošija kada postoje višestruke ili nelinearne granice odlučivanja. Ova metoda nije fleksibilna, pa ne obuhvaća složenije odnose.

Vrste nenadziranih tehnika strojnog učenja

Problemi učenja bez nadzora dalje grupirani u probleme grupiranja i povezivanja.

Clustering.

Clustering je važan koncept kada je u pitanju učenje bez nadzora. Uglavnom se bavi pronalaženjem strukture ili uzorka u zbirci nekategoriziranih podataka. Clusteralgoritmi će obraditi vaše podatke i pronaći prirodne klastere (skupine) ako postoje u podacima. Također možete promijeniti koliko klastera bi vaši algoritmi trebali identificirati. Omogućuje vam podešavanje granularnosti ovih grupa.

Udruženje

Pravila povezivanja omogućuju uspostavljanje povezivanja između podatkovnih objekata unutar velikih baza podataka. Ova nenadzirana tehnika govori o otkrivanju uzbudljivih odnosa između varijabli u velikim bazama podataka. Na primjer, ljudi koji kupuju novi dom najvjerojatnije će kupiti novi namještaj.

Ostali primjeri:

• Podskupina pacijenata oboljelih od raka grupiranih prema mjerenjima ekspresije gena
• Grupe kupaca na temelju njihove povijesti pregledavanja i kupnje
• Grupacija filmova prema ocjeni gledatelja filmova

Razlika između nadziranog i nenadziranog učenja

Parametri	Tehnika strojnog učenja pod nadzorom	Tehnika strojnog učenja bez nadzora
Proces	U modelu nadziranog učenja bit će dane ulazne i izlazne varijable.	U modelu učenja bez nadzora daju se samo ulazni podaci
Ulazni podaci	Algorithms obučeni su pomoću označenih podataka.	Algorithms koriste se protiv podataka koji nisu označeni
Algorithms Polovan	Potporni vektorski stroj, neuronska mreža, linearna i logistička regresija, slučajna šuma i klasifikacijska stabla.	Nenadzirani algoritmi mogu se podijeliti u različite kategorije: poput Cluster algoritmi, K-srednje vrijednosti, hijerarhijsko grupiranje itd.
Računalna složenost	Učenje pod nadzorom je jednostavnija metoda.	Učenje bez nadzora računalno je složeno
Korištenje podataka	Model nadziranog učenja koristi podatke o obuci kako bi naučio vezu između ulaza i izlaza.	Učenje bez nadzora ne koristi izlazne podatke.
Točnost rezultata	Vrlo točna i pouzdana metoda.	Less točna i pouzdana metoda.
Učenje u stvarnom vremenu	Metoda učenja odvija se izvan mreže.	Metoda učenja odvija se u stvarnom vremenu.
Broj razreda	Poznat je broj razreda.	Broj razreda nije poznat.
Glavni nedostatak	Klasificiranje velikih podataka može biti pravi izazov u nadziranom učenju.	Ne možete dobiti precizne informacije o sortiranju podataka, a izlaz kao podaci koji se koriste u nenadziranom učenju označen je i nije poznat.