Meni

Vrste strojnog učenja: Nadzirano protiv nenadgledanog učenja

  • Glavni
  • Ostalo
  • Vrste strojnog učenja: Nadzirano protiv nenadgledanog učenja

types machine learning

Isprobajte Naš Instrument Za Uklanjanje Problema

Ovaj vodič objašnjava vrste strojnog učenja, tj. Nadzirano, nenadzirano, ojačano i polunadzirano učenje uz jednostavne primjere. Također ćete naučiti razlike između nadziranog i nenadgledanog učenja:

U Prethodni vodič , naučili smo o strojnom učenju, njegovom radu i aplikacijama. Vidjeli smo i usporedbu Strojnog učenja protiv umjetne inteligencije.

Strojno učenje je područje znanosti koje se bavi učenjem računalnih programa kroz iskustvo i predviđanjem rezultata.

Glavna značajka ML-a je učenje iz iskustva. Učenje se događa kada sustav opskrbljen ulaznim podacima treninga promijeni svoje parametre i prilagodi se dajući željeni izlaz. Izlaz je ciljna vrijednost definirana u podacima o treningu.

=> Pročitajte cjelovitu seriju treninga za strojno učenje

Vrste strojnog učenja

Što ćete naučiti:

Vrste strojnog učenja

Programi strojnog učenja klasificirani su u 3 vrste kako je prikazano u nastavku.

  • Nadzirano
  • Bez nadzora
  • Učenje s pojačanjem

Razumijemo svaku od njih detaljno !!

# 1) Nadzirano učenje

Učenje pod nadzorom događa se u prisutnosti nadzornika, baš kao i učenje koje malo dijete vrši uz pomoć svog učitelja. Kako se dijete trenira prepoznavati plodove, boje, brojeve pod nadzorom učitelja, ova metoda se nadgleda pod nadzorom.

U ovoj metodi učitelj provjerava svaki djetetov korak i dijete na osnovu rezultata koje mora proizvesti nauči.

Kako funkcionira nadzirano učenje?

U nadziranom algoritmu ML izlaz je već poznat. Postoji mapiranje ulaza s izlazom. Stoga se za stvaranje modela stroj napaja s puno ulaznih podataka za obuku (s poznatim ulazom i odgovarajućim izlazom).

Podaci treninga pomažu u postizanju razine točnosti stvorenog modela podataka. Izgrađeni model sada je spreman za dodavanje novih ulaznih podataka i predviđanje ishoda.

Što je označeni skup podataka?

Skup podataka s izlazima poznatim za zadani ulaz naziva se Označeni skup podataka. Na primjer, poznata je slika voća uz naziv ploda. Dakle, kad se prikaže nova slika voća, uspoređuje se s nastavkom za predviđanje odgovora.

Nadzirano učenje je mehanizam brzog učenja s velikom točnošću. Nadgledani problemi učenja uključuju probleme regresije i klasifikacije.

Neki od nadziranih algoritama učenja su:

kôd za razvrstavanje mjehurića c ++
  • Stabla odlučivanja,
  • K-Najbliži susjed,
  • Linearna regresija,
  • Podrška Vector Machine i
  • Neuronske mreže.

Primjer nadziranog učenja

  • U prvom se koraku skup podataka o treningu šalje algoritmu strojnog učenja.
  • Pomoću skupa podataka o treningu, stroj se prilagođava, mijenjajući parametre za izgradnju logičnog modela.

Logical_Model - Primjer nadziranog algoritma

  • Izgrađeni model zatim se koristi za novi skup podataka za predviđanje ishoda.

Izgrađeni model

Vrste algoritama učenja pod nadzorom

  • Klasifikacija: U ovim vrstama problema, odgovor predviđamo kao određene klase, poput 'da' ili 'ne'. Kada su prisutna samo 2 razreda, to se naziva Binarna klasifikacija. Za više od 2 vrijednosti klase naziva se klasifikacija više klasa. Predviđene vrijednosti odziva su diskretne vrijednosti. Na primjer, Je li to slika sunca ili mjeseca? Algoritam klasifikacije razdvaja podatke u razrede.
  • Regresija: Problemi regresije predviđaju odgovor kao kontinuirane vrijednosti, poput predviđanja vrijednosti koja se kreće od-beskonačnosti do beskonačnosti. Može potrajati mnogo vrijednosti. Na primjer, algoritam linearne regresije koji se primjenjuje predviđa cijenu kuće na temelju mnogih parametara kao što su mjesto, obližnja zračna luka, veličina kuće itd.

# 2) Učenje bez nadzora

Učenje bez nadzora odvija se bez pomoći nadzornika baš kao što riba uči sama plivati. To je neovisan proces učenja.

U ovom modelu, budući da nema izlaza koji je mapiran s ulazom, ciljne vrijednosti su nepoznate / neoznačene. Sustav mora sam učiti od unosa podataka na njega i otkrivati ​​skrivene uzorke.

Što je neobilježeni skup podataka?

Skup podataka s nepoznatim izlaznim vrijednostima za sve ulazne vrijednosti naziva se neobilježeni skup podataka.

Kako funkcionira učenje bez nadzora?

Kako ne postoje poznate izlazne vrijednosti koje se mogu koristiti za izgradnju logičkog modela između ulaza i izlaza, neke tehnike se koriste za miniranje pravila podataka, obrazaca i grupa podataka sa sličnim vrstama. Te skupine pomažu krajnjim korisnicima da bolje razumiju podatke, kao i da pronađu smislene rezultate.

Uvedeni ulazi nisu u obliku ispravne strukture baš kao što su podaci o treningu (u učenju pod nadzorom). Može sadržavati odstupanja, bučne podatke itd. Ti se ulazi zajedno dovode u sustav. Tijekom treninga modela, ulazni podaci organizirani su u formiranje klastera.

Algoritmi učenja bez nadzora uključuju algoritme klasteriranja i udruživanja, kao što su:

  • Apriorno,
  • K-znači klasteriranje i drugi algoritmi rudarstva pravila pridruživanja.

Kada se novi podatak unese u model, on će predvidjeti ishod kao oznaku klase kojoj ulaz pripada. Ako oznaka klase nije prisutna, generirat će se nova klasa.

Dok prolazi kroz postupak otkrivanja obrazaca u podacima, model sam prilagođava svoje parametre, pa se stoga naziva i samoorganiziranjem. Klasteri će se formirati otkrivanjem sličnosti među ulaznim podacima.

Na primjer, dok kupujete proizvode putem interneta, ako se maslac stavi u košaricu, onda sugerira kupnju kruha, sira itd. Nenadzirani model gleda na podatkovne točke i predviđa ostale atribute koji su povezani s proizvodom.

Primjer učenja bez nadzora

Primjer učenja bez nadzora

Vrste algoritama bez nadzora

  • Algoritam klasteriranja : Metode pronalaženja sličnosti između podataka kao što su isti oblik, veličina, boja, cijena itd. I njihovo grupiranje u klaster je klaster analiza.
  • Otkrivanje izvan mjesta : U ovoj metodi skup podataka traži bilo kakve razlike i anomalije u podacima. Na primjer, sustav za otkrivanje prijevara otkriva transakciju visoke vrijednosti na kreditnoj kartici.
  • Udruženje pravila rudarstva : U ovoj vrsti rudarstva otkriva najčešće postavljene skupove predmeta ili asocijacije između elemenata. Udruge poput 'proizvoda koji se često kupuju zajedno' itd.
  • Automatski koderi: Ulaz se komprimira u kodirani oblik i ponovno stvara za uklanjanje bučnih podataka. Ova se tehnika koristi za poboljšanje kvalitete slike i video zapisa.

# 3) Učenje s pojačanjem

U ovoj vrsti učenja algoritam uči pomoću mehanizma povratnih informacija i prošlih iskustava. Uvijek se želi da se svaki korak u algoritmu poduzme za postizanje cilja.

Dakle, kad god treba poduzeti sljedeći korak, on dobiva povratne informacije iz prethodnog koraka, zajedno s iskustvom iz iskustva kako bi predvidio što bi mogao biti sljedeći najbolji korak. Taj se postupak naziva i postupkom pokušaja i pogrešaka radi postizanja cilja.

Učenje s pojačanjem dugotrajni je ponavljajući proces. Što je više povratnih informacija, sustav postaje točniji. Učenje osnovnog pojačanja naziva se i Markovov proces odlučivanja.

Primjer učvršćivanja

Primjer učvršćivanja učenja su video igre, gdje igrači završavaju određene razine igre i osvajaju nagradne bodove. Igra pruža povratne informacije igraču putem bonus poteza radi poboljšanja njegove / njene izvedbe.

Učenje za pojačanje koristi se u treniranju robota, automobila s vlastitim pogonom, automatskog upravljanja zalihama itd.

Neki popularni algoritmi učvršćivanja uključuju:

  • Q-učenje,
  • Duboke kontradiktorne mreže
  • Privremena razlika

Donja slika opisuje mehanizam povratnih informacija učvršćivanja.

  1. Ulaz promatra agent koji je element AI.
  2. Ovaj agent AI djeluje na okoliš prema donesenoj odluci.
  3. Odgovor okoline šalje se AI u obliku nagrade kao povratne informacije.
  4. Također se spremaju stanje i radnje izvršene na okoliš.

mehanizam povratnih informacija učvršćivanja

(slika izvor )

Primjer nadziranog i nenadgledanog učenja u stvarnom životu

Za nadzirano učenje:

# 1) Uzmimo primjer košare povrća s lukom, mrkvom, rotkvicom, rajčicom itd., A možemo ih rasporediti u obliku grupa.

#dva) Izrađujemo tablicu podataka o obuci kako bismo razumjeli nadzirano učenje.

Tablica podataka o treningu karakterizira povrće na temelju:

  • Oblik
  • Boja
  • Veličina
Oblik Boja Veličina Povrće
Točnije je od nenadziranog učenja jer su ulazni podaci i odgovarajući izlazi dobro poznati, a stroj treba samo davati predviđanja.Ima manje točnosti jer su ulazni podaci neoznačeni. Stoga stroj prvo mora razumjeti i označiti podatke, a zatim dati predviđanja.
KrugSmeđaVelikLuk
KrugNetoSrednjiRajčica
CilindričanBijelaVelikRotkvica
CilindričanNetoSrednjiMrkva

Kad se ova tablica podataka o treningu unese u stroj, on će izgraditi logični model koristeći oblik, boju, veličinu povrća itd., Kako bi predvidio ishod (povrće).

Kako se ovom modelu dodaje novi ulaz, algoritam će analizirati parametre i iznijeti ime ploda.

Za učenje bez nadzora:

U učenju bez nadzora stvara skupine ili klastere na temelju atributa. U gornjem skupu podataka uzorka, parametri povrća su:

# 1) Oblik

Povrće se grupira prema obliku.

  • Krug: Luk i rajčica.
  • Cilindričan: Rotkvica i mrkva.

Uzmite još jedan parametar kao što je veličina.

# 2) Veličina

Povrće se grupira prema veličini i obliku:

  • Srednje veličine i okruglog oblika: Rajčica
  • Velika veličina i okrugli oblik: Luk

U nenadgledanom učenju nemamo nijedan skup podataka o obuci i varijablu ishoda, dok su u nadgledanom učenju podaci o treningu poznati i koriste se za vježbanje algoritma.

Razlika između učenja pod nadzorom protiv nenadgledanog

Nadzirano Bez nadzora
U nadziranim algoritmima učenja izlaz za zadati ulaz poznat je.U algoritmima nenadgledanog učenja izlaz za zadati ulaz je nepoznat.
Algoritmi uče iz označenog skupa podataka. Ovi podaci pomažu u procjeni točnosti podataka o treningu.Algoritam ima neoznačene podatke gdje pokušava pronaći uzorke i asocijacije između stavki podataka.
To je tehnika prediktivnog modeliranja koja precizno predviđa buduće ishode.To je tehnika opisnog modeliranja koja objašnjava stvarni odnos između elemenata i povijesti elemenata.
Uključuje algoritme klasifikacije i regresije.Uključuje algoritme učenja pravila klasterizacije i pridruživanja.
Neki algoritmi nadziranog učenja su Linearna regresija, Naivni Bayes i Neuronske mreže.Neki algoritmi za učenje bez nadzora su k- znači klasteriranje, Apriori itd.
Ova vrsta učenja relativno je složena jer zahtijeva označene podatke.Manje je složen jer nema potrebe za razumijevanjem i označavanjem podataka.
To je mrežni postupak analize podataka i ne zahtijeva ljudsku interakciju.Ovo je analiza podataka u stvarnom vremenu.

Polunadzirano učenje

Pristup polunadgledanog učenja uzima i označene i neobilježene podatke o obuci. Ova vrsta učenja korisna je kad je teško izvući korisne značajke iz neobilježenih podataka (nadzirani pristup), a stručnjaci za podatke teško označavaju ulazne podatke (nenadgledani pristup).

Samo mala količina označenih podataka u tim algoritmima može dovesti do točnosti modela.

Primjeri polunadgledanog učenja uključuju CT snimke i MRI gdje medicinski stručnjak može označiti nekoliko točaka u pretragama za bilo koju bolest, dok je teško označiti sve snimke.

Zaključak

Zadaci strojnog učenja široko se klasificiraju na zadatke nadgledanog, nenadgledanog, polunadziranog i pojačanog učenja.

Nadzirano učenje je učenje uz pomoć označenih podataka. ML algoritmi su opskrbljeni skupovima podataka za obuku u kojima je za svaki ulazni podatak poznat izlaz kako bi se predvidjeli budući ishodi.

Ovaj je model vrlo precizan i brz, ali za njegovu izgradnju potrebna je velika stručnost i vrijeme. Također, ovi modeli zahtijevaju ponovnu izgradnju ako se podaci promijene. Zadaci ML, poput regresije i klasifikacije, izvode se u nadgledanom okruženju za učenje.

assert () c ++

Učenje bez nadzora odvija se bez pomoći supervizora. Ulazni podaci dovedeni u ML algoritme su neoznačeni, tj. Za svaki ulaz nije poznat izlaz. Sam algoritam otkriva trendove i obrazac u ulaznim podacima i stvara vezu između različitih atributa unosa.

Ova vrsta učenja korisna je za pronalaženje obrazaca u podacima, stvaranje klastera podataka i analizu u stvarnom vremenu. Zadaci kao što su klasteriranje, KNN algoritmi itd. Spadaju u nenadgledano učenje.

Zadaci polunadgledanog učenja su prednost nadgledanog i nenadgledanog algoritma predviđanjem ishoda koristeći i označene i neobilježene podatke. Učenje s pojačanjem vrsta je mehanizma povratnih informacija u kojem stroj uči iz stalnih povratnih informacija iz okoline kako bi postigao svoj cilj.

U ovoj vrsti učenja, agenti AI izvode neke radnje na podacima i okruženje daje nagradu. Učenje za pojačanje koriste igre za više igrača za djecu, samovozeći automobili itd.

Pratite naš nadolazeći vodič da biste saznali više o strojnom učenju i umjetnoj neuronskoj mreži!

=> Posjetite ovdje za ekskluzivnu seriju strojnog učenja

Preporučena literatura

^