Denetimli ve Denetimsiz Öğrenme: Aralarındaki Fark

Denetimli ve Denetimsiz Öğrenme Arasındaki Temel Fark

• Denetimli öğrenmede, makineyi iyi "etiketlenmiş" verileri kullanarak eğitirsiniz.
• Denetimsiz öğrenme, modeli denetlemenize gerek olmayan bir makine öğrenme tekniğidir.
• Denetimli öğrenme, önceki deneyimlerden veri toplamanıza veya veri çıktısı üretmenize olanak tanır.
• Denetimsiz makine öğrenimi, verilerdeki her türlü bilinmeyen modeli bulmanıza yardımcı olur.
• Regresyon ve Sınıflandırma iki tür denetimli makine öğrenme tekniğidir.
• ClusterÖğrenme ve İlişkilendirme, Denetimsiz öğrenmenin iki türüdür.
• Denetimli öğrenme modelinde girdi ve çıktı değişkenleri verilecek, denetimsiz öğrenme modelinde ise yalnızca girdi verileri verilecek

Denetimli Makine Öğrenimi Nedir?

Denetimli öğrenmede, makineyi iyi veri kullanarak eğitirsiniz. "etiketli.” Bu, bazı verilerin zaten doğru yanıtla etiketlendiği anlamına gelir. Bir gözetmen veya öğretmenin varlığında gerçekleşen öğrenmeye benzetilebilir.

Denetimli bir öğrenme algoritması, etiketli eğitim verilerinden öğrenir ve öngörülemeyen verilere ilişkin sonuçları tahmin etmenize yardımcı olur. Doğru denetimli makine öğrenimini başarılı bir şekilde oluşturmak, ölçeklendirmek ve dağıtmak Veri bilimi modeli, yüksek vasıflı veri bilimcilerden oluşan bir ekibin zaman ve teknik uzmanlığını gerektirir. Dahası, Veri bilimci, verilen öngörülerin veriler değişene kadar doğru kalmasını sağlamak için modelleri yeniden oluşturmalıdır.

Denetimsiz Öğrenme Nedir?

Denetimsiz öğrenme, modeli denetlemenize gerek olmayan bir makine öğrenme tekniğidir. Bunun yerine, bilgiyi keşfetmek için modelin kendi başına çalışmasına izin vermeniz gerekir. Esas olarak etiketlenmemiş verilerle ilgilenir.

Gözetimsiz öğrenme algoritmaları, gözetimli öğrenmeye kıyasla daha karmaşık işleme görevleri gerçekleştirmenize olanak tanır. Bununla birlikte, gözetimsiz öğrenme diğer doğal öğrenme derin öğrenme ve takviyeli öğrenme yöntemlerine kıyasla daha öngörülemez olabilir.

Neden Denetimli Öğrenme?

• Denetimli öğrenme, önceki deneyimlerden veri toplamanıza veya veri çıktısı üretmenize olanak tanır.
• Deneyimi kullanarak performans kriterlerini optimize etmenize yardımcı olur
• Denetimli makine öğrenimi, çeşitli türdeki gerçek dünyadaki hesaplama problemlerini çözmenize yardımcı olur.

Neden Denetimsiz Öğrenme?

Denetimsiz Öğrenmeyi kullanmanın başlıca nedenleri şunlardır:

• Denetimsiz makine öğrenimi, verilerdeki her türlü bilinmeyen modeli bulur.
• Denetimsiz yöntemler, kategorizasyon için yararlı olabilecek özellikleri bulmanıza yardımcı olur.
• Gerçek zamanlı olarak gerçekleştiğinden, tüm girdi verileri öğrencilerin huzurunda analiz edilecek ve etiketlenecektir.
• Etiketsiz verileri bilgisayardan almak, manuel müdahale gerektiren etiketli verilere göre daha kolaydır.

Denetimli Öğrenme nasıl çalışır?

Örneğin, iş yerinizden eve arabayla gitmenizin ne kadar süreceğini tahmin etmenize yardımcı olması için bir makineyi eğitmek istiyorsunuz. Burada bir dizi etiketli veri oluşturarak başlarsınız. Bu veriler şunları içerir:

• Hava koşulları
• Günün saati
• Tatil

Tüm bu detaylar sizin girdilerinizdir. Çıktı ise o belirli günde eve geri dönmenin ne kadar zaman aldığıdır.

Dışarıda yağmur yağıyorsa eve gitmenin daha uzun süreceğini içgüdüsel olarak bilirsiniz. Ancak makinenin verilere ve istatistiklere ihtiyacı var.

Şimdi, kullanıcının işe gidip gelme süresini belirlemesine yardımcı olan bu örneğin denetimli öğrenme modelini nasıl geliştirebileceğinizi görelim. Oluşturmanız gereken ilk şey bir eğitim veri setidir. Bu eğitim seti, toplam işe gidiş geliş süresini ve buna karşılık gelen hava durumu, saat vb. faktörleri içerecektir. Bu eğitim setine dayanarak, makineniz yağmur miktarı ile eve varmak için harcayacağınız süre arasında doğrudan bir ilişki olduğunu görebilir.

Yani, ne kadar çok yağmur yağarsa, evinize dönmek için o kadar uzun süre araba kullanacağınızı tespit ediyor. Ayrıca işten ayrılacağınız saat ile yolda olacağınız saat arasındaki bağlantıyı da görebilir.

Akşam 6'ya ne kadar yakınsanız eve varmanız o kadar uzun sürer. Makineniz etiketli verilerinizle bazı ilişkileri bulabilir.

Bu, Veri Modelinizin başlangıcıdır. Yağmurun insanların araç kullanma şeklini etkilemeye başlıyor. Ayrıca günün belirli bir saatinde daha fazla insanın seyahat ettiğini görmeye başlıyoruz.

Denetimsiz Öğrenme nasıl çalışır?

Bir bebek ve ailesinin köpeğini ele alalım.

Bu köpeği tanıyor ve tanıyor. Birkaç hafta sonra bir aile dostu bir köpek getiriyor ve bebekle oynamaya çalışıyor.

Bebek bu köpeği daha önce görmedi. Ancak birçok özelliğinin (2 kulak, göz, 4 ayak üzerinde yürüme) evcil köpeğine benzediğinin farkındadır. Köpek gibi yeni bir hayvanı tanımlar. Bu, size öğretilmeyen ancak verilerden öğrendiğiniz denetimsiz öğrenmedir (bu durumda bir köpeğe ilişkin veriler). Bu denetimli öğrenme olsaydı, aile dostu bebeğe onun bir köpek olduğunu söylerdi.

Denetimli Makine Öğrenimi Tekniklerinin Türleri

Gerileme

Regresyon tekniği, eğitim verilerini kullanarak tek bir çıktı değerini tahmin eder.

Örnek: Eğitim verilerinden ev fiyatını tahmin etmek için regresyonu kullanabilirsiniz. Girdi değişkenleri konum, evin büyüklüğü vb. olacaktır.

Sınıflandırma

Sınıflandırma, çıktıyı bir sınıf içinde gruplamak anlamına gelir. Algoritma girdiyi iki farklı sınıfa ayırmaya çalışırsa buna ikili sınıflandırma denir. İkiden fazla sınıf arasından seçim yapılmasına çok sınıflı sınıflandırma denir.

Örnek E-posta: Birisinin krediyi temerrüde düşürüp düşürmeyeceğinin belirlenmesi.

Güçlü: Çıktıların her zaman olasılıksal bir yorumu vardır ve algoritma aşırı uyumu önlemek için düzenlenebilir.

Zayıf Yönler: Lojistik regresyon, birden fazla veya doğrusal olmayan karar sınırları olduğunda düşük performans gösterebilir. Bu yöntem esnek değildir, bu nedenle daha karmaşık ilişkileri yakalamaz.

Denetimsiz Makine Öğrenimi Tekniklerinin Türleri

Denetimsiz öğrenme sorunları ayrıca kümeleme ve ilişkilendirme sorunları olarak gruplandırılır.

Clustering

ClusterDenetimsiz öğrenme söz konusu olduğunda öğrenme önemli bir kavramdır. Esas olarak kategorize edilmemiş verilerden oluşan bir koleksiyonda bir yapı veya model bulmakla ilgilenir. ClusterAlgoritmalar verilerinizi işleyecek ve verilerde varsa doğal kümeleri (grupları) bulacaktır. Ayrıca algoritmalarınızın kaç kümeyi tanımlaması gerektiğini de değiştirebilirsiniz. Bu grupların ayrıntı düzeyini ayarlamanıza olanak tanır.

Dernek

Birliktelik kuralları, büyük veritabanlarındaki veri nesneleri arasında ilişkiler kurmanıza olanak tanır. Bu denetimsiz teknik, büyük veritabanlarındaki değişkenler arasındaki heyecan verici ilişkileri keşfetmeyle ilgilidir. Örneğin, yeni bir ev satın alan kişilerin büyük olasılıkla yeni mobilya satın alma olasılıkları yüksektir.

Diğer Örnekler:

• Gen ekspresyonu ölçümlerine göre gruplandırılmış bir kanser hastası alt grubu
• Göz atma ve satın alma geçmişlerine göre alışveriş yapan gruplar
• Film izleyicilerinin verdiği derecelendirmeye göre film grubu

Denetimli ve Denetimsiz Öğrenme Arasındaki Fark

parametreler	Denetimli makine öğrenimi tekniği	Denetimsiz makine öğrenimi tekniği
Süreç	Denetimli öğrenme modelinde girdi ve çıktı değişkenleri verilecektir.	Denetimsiz öğrenme modelinde yalnızca giriş verileri verilecektir
Giriş Verileri	Algorithms etiketlenmiş veriler kullanılarak eğitilir.	Algorithms etiketlenmemiş verilere karşı kullanılır
Algorithms Kullanılmış	Destek vektör makinesi, Sinir ağı, Doğrusal ve lojistik regresyon, rastgele orman ve Sınıflandırma ağaçları.	Denetimsiz algoritmalar farklı kategorilere ayrılabilir: Cluster Algoritmalar, K-ortalamalar, Hiyerarşik kümeleme, vb.
Hesaplamalı Karmaşıklık	Denetimli öğrenme daha basit bir yöntemdir.	Gözetimsiz öğrenme hesaplama açısından karmaşıktır
Verilerin Kullanımı	Denetimli öğrenme modeli, girdi ve çıktılar arasındaki bağlantıyı öğrenmek için eğitim verilerini kullanır.	Denetimsiz öğrenme çıktı verilerini kullanmaz.
Sonuçların Doğruluğu	Son derece doğru ve güvenilir bir yöntem.	Less Doğru ve güvenilir yöntem.
Gerçek Zamanlı Öğrenme	Öğrenme yöntemi çevrimdışı gerçekleşir.	Öğrenme yöntemi gerçek zamanlı olarak gerçekleşir.
Sınıf Sayısı	Sınıf sayısı belli.	Sınıf sayısı bilinmiyor.
Ana Dezavantaj	Denetimli Öğrenmede büyük verileri sınıflandırmak gerçek bir zorluk olabilir.	Denetimsiz öğrenmede kullanılan veriler etiketlendiğinden ve bilinmediğinden veri sıralama konusunda kesin bilgi elde edemezsiniz ve çıktılar.