Nadzirano i nenadgledano učenje su dvije osnovne vrste paradigmi mašinskog učenja koje služe različitim svrhama na osnovu prirode podataka i ciljeva zadatka. Razumijevanje kada treba koristiti obuku pod nadzorom u odnosu na obuku bez nadzora je ključno u dizajniranju učinkovitih modela mašinskog učenja. Izbor između ova dva pristupa zavisi od dostupnosti označenih podataka, željenog ishoda i osnovne strukture skupa podataka.
Nadzirano učenje je vrsta mašinskog učenja gdje se model obučava na označenom skupu podataka. U nadziranom učenju, algoritam uči mapirati ulazne podatke u ispravne izlazne podatke tako što mu se prezentiraju primjeri obuke. Ovi primjeri obuke sastoje se od ulazno-izlaznih parova, gdje su ulazni podaci praćeni odgovarajućim ispravnim izlazom ili ciljnom vrijednošću. Cilj učenja pod nadzorom je naučiti funkciju mapiranja od ulaznih varijabli u izlazne varijable, koje se zatim mogu koristiti za predviđanje nevidljivih podataka.
Nadzirano učenje se obično koristi kada je poznat željeni rezultat i cilj je naučiti odnos između ulaznih i izlaznih varijabli. Obično se primjenjuje u zadacima kao što su klasifikacija, gdje je cilj predviđanje oznaka klasa novih instanci, i regresija, gdje je cilj predviđanje kontinuirane vrijednosti. Na primjer, u scenariju učenja pod nadzorom, možete obučiti model da predvidi da li je e-pošta neželjena pošta ili ne na osnovu sadržaja e-pošte i označenog statusa neželjene/nepoželjne pošte prethodnih e-poruka.
S druge strane, učenje bez nadzora je vrsta mašinskog učenja gdje se model obučava na neoznačenom skupu podataka. U nenadgledanom učenju, algoritam uči obrasce i strukture iz ulaznih podataka bez eksplicitne povratne informacije o ispravnom izlazu. Cilj učenja bez nadzora je istražiti temeljnu strukturu podataka, otkriti skrivene obrasce i izvući smislene uvide bez potrebe za označenim podacima.
Učenje bez nadzora se obično koristi kada je cilj istražiti podatke, pronaći skrivene obrasce i grupirati slične točke podataka zajedno. Često se primenjuje u zadacima kao što su grupisanje, gde je cilj grupisanje sličnih tačaka podataka u klastere na osnovu njihovih karakteristika, i smanjenje dimenzionalnosti, gde je cilj smanjenje broja karakteristika uz očuvanje bitnih informacija u podacima. Na primjer, u scenariju učenja bez nadzora, mogli biste koristiti grupiranje kupaca za grupiranje kupaca na osnovu njihovog ponašanja prilikom kupovine bez ikakvog prethodnog znanja o segmentima kupaca.
Izbor između učenja pod nadzorom i učenja bez nadzora zavisi od nekoliko faktora. Ako imate označeni skup podataka i želite da predvidite određene ishode, nadgledano učenje je pravi izbor. S druge strane, ako imate neoznačeni skup podataka i želite istražiti strukturu podataka ili pronaći skrivene obrasce, učenje bez nadzora je prikladnije. U nekim slučajevima, kombinacija tehnika pod nadzorom i bez nadzora, poznata kao polu-nadgledano učenje, može se koristiti da bi se iskoristile prednosti oba pristupa.
Odluka da se koristi obuka pod nadzorom u odnosu na obuku bez nadzora u mašinskom učenju zavisi od dostupnosti označenih podataka, prirode zadatka i željenog ishoda. Razumijevanje razlika između učenja pod nadzorom i učenja bez nadzora je ključno za dizajniranje učinkovitih modela mašinskog učenja koji mogu izvući smislene uvide i napraviti tačna predviđanja iz podataka.
Ostala nedavna pitanja i odgovori u vezi EITC/AI/GCML Google Cloud Machine Learning:
- Šta je tekst u govor (TTS) i kako funkcioniše sa AI?
- Koja su ograničenja u radu s velikim skupovima podataka u mašinskom učenju?
- Može li mašinsko učenje pomoći u dijaloškom smislu?
- Šta je TensorFlow igralište?
- Šta zapravo znači veći skup podataka?
- Koji su neki primjeri hiperparametara algoritma?
- Šta je ansambl učenje?
- Što ako odabrani algoritam strojnog učenja nije prikladan i kako se može osigurati da odaberete pravi?
- Da li modelu mašinskog učenja treba nadzor tokom obuke?
- Koji su ključni parametri koji se koriste u algoritmima zasnovanim na neuronskim mrežama?
Pogledajte više pitanja i odgovora u EITC/AI/GCML Google Cloud Machine Learning
Više pitanja i odgovora:
- Polje: Umjetna inteligencija
- program: EITC/AI/GCML Google Cloud Machine Learning (idite na program sertifikacije)
- Lekcija: Uvod (idi na srodnu lekciju)
- Tema: Šta je mašinsko učenje (idi na srodnu temu)