Разлика између надзираног и ненадзорованог машинског учења

Кључна разлика - Надзирано вс Ненадзирано Машинско учење
 

Надзирано учење и неконтролисано учење два су основна концепта машинског учења. Надзирано учење је задатак машинског учења учења функције која пресликава улаз на излаз на основу примера парова улаз-излаз. Ненадзирано учење је задатак машинског учења да закључи функцију за описивање скривене структуре из неозначених података. Тхе кључна разлика између надзираног и ненадзираног машинског учења је то супервизирано учење користи означене податке док ненадзирано учење користи необиљежене податке.

Машинско учење је поље у рачунарским знаностима које рачунарском систему пружа могућност учења из података без експлицитног програмирања. Омогућује анализу података и предвиђање образаца у њима. Постоји много примена машинског учења. Неки од њих су препознавање лица, препознавање геста и препознавање говора. Постоје различити алгоритми везани за машинско учење. Неки од њих су регресија, класификација и групирање. Најчешћи програмски језици за развој апликација заснованих на машинском учењу су Р и Питхон. Такође се могу користити и други језици као што су Јава, Ц ++ и Матлаб.

САДРЖАЈ

1. Преглед и кључне разлике
2. Шта је супервизирано учење
3. Шта је неконтролисано учење
4. Сличности између надзираног и ненадзорованог машинског учења
5. Упоредно упоређивање - Надзирано насупрот ненадзорованом машинском учењу у табеларном облику
6. Резиме

Шта је супервизирано учење?

У системима заснованим на машинском учењу модел делује у складу с алгоритмом. Код учења под надзором, модел се надгледа. Прво је потребно обучити модел. Са стеченим знањем може предвидјети одговоре за будуће инстанце. Модел се тренира помоћу обиљежених података. Када се систему да подаци из узорка, он може предвидјети резултат. Следи мали извадак из популарног скупа података ИРИС.

Према горњој табели, атрибути се називају Сепал дужина, Сепалина ширина, Пател дужина, Пател ширина и врсте. Ступци су познати као функције. Један ред има податке за све атрибуте. Стога се један ред назива опсервација. Подаци могу бити нумерички или категорични. У моделу су дата запажања са одговарајућим именом врста као улазним подацима. Када се добије ново запажање, модел би требао предвидјети врсту којој припада.

У супервизираном учењу постоје алгоритми за класификацију и регресију. Класификација је процес класификације обележених података. Модел је створио границе које су раздвајале категорије података. Када се моделу доставе нови подаци, он се може категорисати на основу места где постоји тачка. К-најближи сусједи (КНН) је класификацијски модел. Овисно о к вриједности, одређује се категорија. На пример, када је к 5, ако је одређена тачка података близу осам података у категорији А и шест података у категорији Б, тада ће тачка података бити класификована као А.

Регресија је процес предвиђања тренда претходних података да би се предвидио исход нових података. У регресији, излаз се може састојати од једне или више континуираних варијабли. Предвиђање се врши помоћу линије која покрива већину података. Најједноставнији регресијски модел је линеарна регресија. Брз је и не захтијева подешавање параметара, као што је у КНН. Ако подаци показују параболични тренд, линеарни регресијски модел није погодан.

То су неки примери надгледаних алгоритама учења. Генерално, резултати добијени из надгледаних метода учења су тачнији и поузданији, јер су улазни подаци добро познати и обележени. Због тога, машина мора да анализира само скривене обрасце.

Шта је неконтролисано учење?

Код учења без надзора, модел се не надгледа. Модел ради сам, како би предвидио исходе. Користи алгоритме машинског учења за доношење закључака о необиљеженим подацима. Уопштено, алгоритми учења без надзора су тежи него алгоритми учења под надзором, јер има мало информација. Кластерирање је врста учења без надзора. Може се користити за груписање непознатих података користећи алгоритме. К-средња вредност и кластерирање засновано на густини су два алгоритма групирања.

к-средњи алгоритам, насумично поставља к центроид за сваки кластер. Затим се свака тачка података додељује најближем центроиду. Еуклидна удаљеност се користи за израчунавање удаљености од тачке података до центроида. Точке података су сврстане у групе. Позиције за к центроиде се израчунавају поново. Нова центроидна позиција одређена је средином свих тачака у групи. Поново се свака тачка података додељује најближем центроиду. Овај се поступак понавља све док се центроиди више не промијене. к-меан је алгоритам брзог кластерирања, али нема специфициране иницијализације кластерских тачака. Такође, велика је варијација модела кластера заснованих на иницијализацији тачака кластера.

Други алгоритам кластерирања је Кластерирање засновано на густоћи. Такође је позната и као Просторна кластерирање заснована на густоћи са буком. Дјелује дефинирањем кластера као максималним скупом повезаних тачака густоће. Они су два параметра која се користе за кластерирање на основу густине. То су Ɛ (епсилон) и минимални бодови. Ɛ је максимални радијус суседства. Минимални бодови су минимални број бодова у окружењу то за дефинисање кластера. Ово су неки примери удруживања који спадају у неконтролисано учење.

Генерално, резултати генерисани из алгоритама ненадгледаног учења нису много тачни и поуздани јер машина мора да дефинише и означи улазне податке пре него што утврди скривене обрасце и функције.

Каква је сличност између надзираног и ненадзорованог машинског учења?

• И Надзорно и Надзорно учење су врсте машинског учења.

Која је разлика између надзираног и ненадзорованог машинског учења?

Надзирано вс Ненадзирано машинско учење
Надзирано учење је задатак машинског учења учења функције која пресликава улаз на излаз на основу примера улаза-излаза парова.	Ненадзоровано учење је задатак машинског учења да закључи функцију за описивање скривене структуре из необележених података.
Главна функционалност
У супервизираном учењу модел предвиђа исход на основу означених улазних података.	У учењу без надзора, модел предвиђа исход без обележених података идентификујући обрасце сами.
Тачност резултата
Резултати добијени из надзираних метода учења прецизнији су и поузданији.	Резултати добијени ненадзираним методама учења нису много тачни и поуздани.
Главни алгоритми
Постоје алгоритми за регресију и класификацију у супервизираном учењу.	Постоје алгоритми за груписање у неконтролисано учење.

Преглед - Надзирано вс Ненадзирано Машинско учење

Надзирано учење и неконтролирано учење двије су врсте машинског учења. Надзирано учење је задатак машинског учења учења функције која пресликава улаз на излаз на основу примера улаза-излаза парова. Ненадзирано учење је задатак машинског учења да закључи функцију за описивање скривене структуре из неозначених података. Разлика између надзираног и ненадзираног машинског учења је у томе што надзирано учење користи означене податке, док неко надгледано нагињање користи необиљежене податке.

Референце:

1.БигДатаУниверсити. Машинско учење - Надзирано ВС Ненадзирано учење, Когнитивна класа, 13. марта 2017. Доступно овде 
2. „Ненадзоровано учење.“ Википедиа, Фондација Викимедиа, 20. марта 2018. Доступно овде 
3. „Надзирано учење.“ Википедиа, Фондација Викимедиа, 15. марта 2018. Доступно овде

Љубазношћу слике:

1.'2729781 'аутор ГДЈ (Публиц Домаин) преко пикабаи