Qual è la differenza tra apprendimento supervisionato e apprendimento non supervisionato? [chiuso]

In termini di intelligenza artificiale e apprendimento automatico, qual è la differenza tra apprendimento supervisionato e non supervisionato? Potete fornire una spiegazione semplice e di base con un esempio?

Dal momento che fai questa domanda molto elementare, sembra che valga la pena specificare quale sia lo stesso Machine Learning.

L'apprendimento automatico è una classe di algoritmi basata sui dati, vale a dire a differenza degli algoritmi "normali", sono i dati che "raccontano" qual è la "buona risposta". Esempio: un ipotetico algoritmo di apprendimento non automatico per il rilevamento del volto nelle immagini proverebbe a definire cosa sia un volto (disco rotondo simile alla pelle, con area scura in cui ci si aspetta gli occhi ecc.). Un algoritmo di apprendimento automatico non avrebbe una tale definizione codificata, ma "apprenderebbe per esempi": mostrerai diverse immagini di volti e non volti e un buon algoritmo alla fine imparerà e sarà in grado di prevedere se un invisibile o no l'immagine è una faccia.

Questo particolare esempio di rilevamento dei volti è supervisionato , il che significa che i tuoi esempi devono essere etichettati o dire esplicitamente quali sono i volti e quali non lo sono.

In un algoritmo senza supervisione i tuoi esempi non sono etichettati , cioè non dici nulla. Naturalmente, in tal caso l'algoritmo stesso non può "inventare" ciò che è una faccia, ma può provare a raggruppare i dati in diversi gruppi, ad esempio può distinguere che le facce sono molto diverse dai paesaggi, che sono molto diversi dai cavalli.

Poiché un'altra risposta lo menziona (sebbene, in modo errato): esistono forme di supervisione "intermedie", cioè apprendimento semi-supervisionato e attivo . Tecnicamente, si tratta di metodi supervisionati in cui esiste un modo "intelligente" per evitare un gran numero di esempi etichettati. Nell'apprendimento attivo, l'algoritmo stesso decide quale cosa dovresti etichettare (ad esempio, può essere abbastanza sicuro di un paesaggio e un cavallo, ma potrebbe chiederti di confermare se un gorilla è davvero l'immagine di una faccia). Nell'apprendimento semi supervisionato, ci sono due diversi algoritmi che iniziano con gli esempi etichettati e poi si "raccontano" il modo in cui pensano a un gran numero di dati senza etichetta. Da questa "discussione" imparano.

L'apprendimento supervisionato avviene quando i dati con cui si alimenta l'algoritmo vengono "taggati" o "etichettati", per aiutare la logica a prendere decisioni.

Esempio: filtro spam di Bayes, in cui è necessario contrassegnare un elemento come spam per perfezionare i risultati.

L'apprendimento non supervisionato sono tipi di algoritmi che cercano di trovare correlazioni senza input esterni diversi dai dati non elaborati.

Esempio: algoritmi di clustering di data mining.

Apprendimento supervisionato

Le applicazioni in cui i dati di addestramento comprendono esempi dei vettori di input insieme ai corrispondenti vettori target sono noti come problemi di apprendimento supervisionato.

Apprendimento senza supervisione

In altri problemi di riconoscimento dei pattern, i dati di training sono costituiti da un insieme di vettori di input x senza valori target corrispondenti. L'obiettivo di tali problemi di apprendimento senza supervisione potrebbe essere quello di scoprire gruppi di esempi simili all'interno dei dati, dove viene chiamato clustering

Riconoscimento dei modelli e apprendimento automatico (Bishop, 2006)

Nell'apprendimento supervisionato, l'input xviene fornito con il risultato atteso y(ovvero, l'output che il modello dovrebbe produrre quando l'input è x), che viene spesso chiamato "classe" (o "etichetta") dell'input corrispondentex .

Nell'apprendimento non supervisionato, la "classe" di un esempio xnon viene fornita. Pertanto, l'apprendimento senza supervisione può essere considerato come la ricerca di una "struttura nascosta" in un set di dati senza etichetta.

Gli approcci all'apprendimento supervisionato includono:

• Classificazione (1R, Naive Bayes, algoritmo di apprendimento dell'albero decisionale, come ID3 CART e così via)

• Previsione valore numerico

Gli approcci all'apprendimento non supervisionato includono:

• Clustering (K-medie, clustering gerarchico)

• Apprendimento delle regole di associazione

Ad esempio, molto spesso l'addestramento di una rete neurale è apprendimento controllato: stai dicendo alla rete a quale classe corrisponde il vettore di funzionalità che stai alimentando.

Il clustering è un apprendimento senza supervisione: lasci che l'algoritmo decida come raggruppare i campioni in classi che condividono proprietà comuni.

Un altro esempio di apprendimento non supervisionato sono le mappe auto-organizzate di Kohonen .

Posso farti un esempio.

Supponiamo di dover riconoscere quale veicolo è un'auto e quale è una motocicletta.

Nel supervisionato caso di apprendimento , il set di dati di input (allenamento) deve essere etichettato, ovvero per ogni elemento di input nel set di dati di input (allenamento), è necessario specificare se rappresenta un'auto o una motocicletta.

Nel caso di apprendimento senza supervisione , non si etichettano gli input. Il modello senza supervisione raggruppa l'input in cluster in base ad es. A caratteristiche / proprietà simili. Quindi, in questo caso, non ci sono etichette come "auto".

Apprendimento supervisionato

L'apprendimento supervisionato si basa sulla formazione di un campione di dati dall'origine dati con la classificazione corretta già assegnata. Tali tecniche sono utilizzate nei modelli feedforward o MultiLayer Perceptron (MLP). Questi MLP hanno tre caratteristiche distintive:

1. Uno o più strati di neuroni nascosti che non fanno parte dei livelli di input o output della rete che consentono alla rete di apprendere e risolvere eventuali problemi complessi
2. La non linearità riflessa nell'attività neuronale è differenziabile e,
3. Il modello di interconnessione della rete mostra un alto grado di connettività.

Queste caratteristiche insieme all'apprendimento attraverso la formazione risolvono problemi difficili e diversi. L'apprendimento attraverso la formazione in un modello ANN supervisionato chiamato anche algoritmo di backpropagation degli errori. L'algoritmo di apprendimento della correzione degli errori forma la rete in base ai campioni di input-output e trova il segnale di errore, che è la differenza dell'output calcolato e dell'output desiderato e regola i pesi sinaptici dei neuroni che è proporzionale al prodotto dell'errore segnale e istanza di input del peso sinaptico. Sulla base di questo principio, l'apprendimento basato sulla propagazione dell'errore si verifica in due passaggi:

Forward Pass:

Qui, il vettore di input viene presentato alla rete. Questo segnale di input si propaga in avanti, neurone per neurone attraverso la rete ed emerge all'estremità di uscita della rete come segnale di output: y(n) = φ(v(n))dove si v(n)trova il campo locale indotto di un neurone definito da v(n) =Σ w(n)y(n).L'output che viene calcolato sullo strato di output o (n) è confrontato con la risposta desiderata d(n)e trova l'errore e(n)per quel neurone. I pesi sinaptici della rete durante questo passaggio rimangono gli stessi.

Passaggio all'indietro:

Il segnale di errore che ha origine nel neurone di uscita di quello strato viene propagato all'indietro attraverso la rete. Questo calcola il gradiente locale per ciascun neurone in ogni strato e consente ai pesi sinaptici della rete di subire modifiche in conformità con la regola delta come:

Δw(n) = η * δ(n) * y(n).

Questo calcolo ricorsivo viene continuato, con il passaggio in avanti seguito dal passaggio all'indietro per ciascun modello di input fino a quando la rete non viene convergente.

Il paradigma dell'apprendimento supervisionato di una RNA è efficiente e trova soluzioni a numerosi problemi lineari e non lineari come classificazione, controllo dell'impianto, previsione, previsione, robotica ecc.

Apprendimento senza supervisione

Le reti neurali auto-organizzanti apprendono utilizzando l'algoritmo di apprendimento senza supervisione per identificare modelli nascosti in dati di input senza etichetta. Questo non supervisionato si riferisce alla capacità di apprendere e organizzare le informazioni senza fornire un segnale di errore per valutare la potenziale soluzione. La mancanza di direzione per l'algoritmo di apprendimento nell'apprendimento non supervisionato può a volte essere vantaggiosa, poiché consente all'algoritmo di cercare modelli che non sono stati precedentemente considerati. Le caratteristiche principali delle mappe auto-organizzate (SOM) sono:

1. Trasforma un modello di segnale in entrata di dimensione arbitraria in una o due mappe dimensionali ed esegue questa trasformazione in modo adattivo
2. La rete rappresenta una struttura feedforward con un singolo strato computazionale costituito da neuroni disposti in file e colonne. Ad ogni stadio della rappresentazione, ciascun segnale di input viene mantenuto nel suo contesto appropriato e,
3. I neuroni che si occupano di informazioni strettamente correlate sono vicini e comunicano attraverso connessioni sinaptiche.

Lo strato computazionale è anche chiamato strato competitivo poiché i neuroni nello strato competono tra loro per diventare attivi. Quindi, questo algoritmo di apprendimento è chiamato algoritmo competitivo. L'algoritmo senza supervisione in SOM funziona in tre fasi:

Fase della competizione:

per ogni modello di input x, presentato alla rete, wviene calcolato il prodotto interno con peso sinaptico e i neuroni nello strato competitivo trovano una funzione discriminante che induce la competizione tra i neuroni e il vettore del peso sinaptico che è vicino al vettore di input nella distanza euclidea viene annunciato vincitore del concorso. Quel neurone è chiamato il miglior neurone corrispondente,

i.e. x = arg min ║x - w║.

Fase cooperativa:

il neurone vincente determina il centro di un quartiere topologico hdi neuroni cooperanti. Questo viene eseguito dall'interazione laterale dtra i neuroni cooperativi. Questo quartiere topologico riduce le sue dimensioni nel tempo.

Fase adattiva:

consente al neurone vincente e ai suoi neuroni di vicinato di aumentare i propri valori individuali della funzione discriminante in relazione al modello di input attraverso adeguate regolazioni del peso sinaptico,

 Δw = ηh(x)(x –w).

Su ripetute presentazioni dei modelli di allenamento, i vettori sinaptici del peso tendono a seguire la distribuzione dei modelli di input a causa dell'aggiornamento del vicinato e quindi ANN impara senza supervisore.

Il modello auto-organizzante rappresenta naturalmente il comportamento neuro-biologico e quindi viene utilizzato in molte applicazioni del mondo reale come clustering, riconoscimento vocale, segmentazione delle trame, codifica vettoriale ecc.

Riferimento.

Ho sempre trovato la distinzione tra apprendimento non supervisionato e supervisionato come arbitraria e un po 'confusa. Non esiste una vera distinzione tra i due casi, ma esiste una serie di situazioni in cui un algoritmo può avere più o meno "supervisione". L'esistenza dell'apprendimento semi-supervisionato è un esempio evidente in cui la linea è sfocata.

Tendo a pensare alla supervisione come a dare un feedback all'algoritmo su quali soluzioni dovrebbero essere preferite. Per un'impostazione tradizionale supervisionata, come il rilevamento dello spam, si dice all'algoritmo "non commettere errori sul set di addestramento" ; per un'impostazione tradizionale non supervisionata, come il clustering, si dice all'algoritmo "i punti vicini l'uno all'altro dovrebbero essere nello stesso cluster" . Accade così che la prima forma di feedback sia molto più specifica di quest'ultima.

In breve, quando qualcuno dice "supervisionato", pensa alla classificazione, quando dice "senza supervisione" pensa al raggruppamento e cerca di non preoccuparti troppo di ciò.

Esistono già molte risposte che spiegano le differenze nei dettagli. Ho trovato queste gif su codeacademy e spesso mi aiutano a spiegare le differenze in modo efficace.

Apprendimento supervisionato

Si noti che le immagini di addestramento hanno etichette qui e che il modello sta imparando i nomi delle immagini.

Apprendimento senza supervisione

Si noti che ciò che viene fatto qui è solo il raggruppamento (clustering) e che il modello non sa nulla di alcuna immagine.

Apprendimento automatico: esplora lo studio e la costruzione di algoritmi che possono apprendere e fare previsioni sui dati. Tali algoritmi funzionano costruendo un modello da input di esempio al fine di effettuare previsioni o decisioni basate sui dati espresse come output, piuttosto che seguire rigorosamente statiche istruzioni del programma.

Apprendimento supervisionato: è il compito dell'apprendimento automatico di dedurre una funzione dai dati di allenamento etichettati. I dati di allenamento consistono in una serie di esempi di allenamento. Nell'apprendimento supervisionato, ogni esempio è una coppia costituita da un oggetto di input (in genere un vettore) e un valore di output desiderato (chiamato anche segnale di supervisione). Un algoritmo di apprendimento supervisionato analizza i dati di allenamento e produce una funzione dedotta, che può essere utilizzata per mappare nuovi esempi.

Al computer vengono presentati esempi di input e output desiderati, forniti da un "insegnante", e l'obiettivo è apprendere una regola generale che associ input a output. In particolare, un algoritmo di apprendimento supervisionato prende un set noto di dati di input e risposte note ai dati (output) e forma un modello per generare previsioni ragionevoli per la risposta a nuovi dati.

Apprendimento senza supervisione: è l'apprendimento senza un insegnante. Una cosa di base che potresti voler fare con i dati è visualizzarli. È compito dell'apprendimento automatico inferire una funzione per descrivere la struttura nascosta da dati senza etichetta. Poiché gli esempi forniti allo studente non sono etichettati, non esiste alcun segnale di errore o di ricompensa per valutare una potenziale soluzione. Ciò distingue l'apprendimento senza supervisione dall'apprendimento supervisionato. L'apprendimento senza supervisione utilizza procedure che tentano di trovare partizioni naturali di schemi.

Con l'apprendimento senza supervisione non vi è alcun feedback basato sui risultati della previsione, cioè non esiste un insegnante che ti corregga. Sotto i metodi di apprendimento senza supervisione non vengono forniti esempi etichettati e non viene fornita alcuna idea dell'output durante il processo di apprendimento. Di conseguenza, spetta allo schema / modello di apprendimento trovare modelli o scoprire i gruppi dei dati di input

Dovresti usare metodi di apprendimento senza supervisione quando hai bisogno di una grande quantità di dati per addestrare i tuoi modelli e la volontà e la capacità di sperimentare ed esplorare, e ovviamente una sfida che non è ben risolta con metodi più consolidati. Con l'apprendimento senza supervisione è possibile apprendere modelli più grandi e complessi rispetto all'apprendimento supervisionato. Ecco un buon esempio

.

Apprendimento supervisionato: dire che un bambino va nel giardino dell'asilo. qui l'insegnante gli mostra 3 giocattoli-casa, palla e macchina. ora l'insegnante gli dà 10 giocattoli. li classificherà in 3 scatole di casa, palla e auto in base alla sua esperienza precedente. così il bambino è stato prima supervisionato dagli insegnanti per ottenere le risposte giuste per pochi set. poi è stato testato su giocattoli sconosciuti.

Apprendimento senza supervisione: di nuovo un esempio di scuola materna. Un bambino riceve 10 giocattoli. gli viene detto di segmentare quelli simili. quindi in base a caratteristiche come forma, dimensione, colore, funzione ecc. proverà a far sì che 3 gruppi dicano A, B, C e raggrupparli.

La parola Supervision significa che stai dando supervisione / istruzione alla macchina per aiutarla a trovare le risposte. Una volta apprese le istruzioni, può facilmente prevedere un nuovo caso.

Senza supervisione significa che non c'è supervisione o istruzione su come trovare risposte / etichette e la macchina utilizzerà la sua intelligenza per trovare un modello nei nostri dati. Qui non farà previsioni, tenterà solo di trovare cluster con dati simili.

L'algoritmo di apprendimento di una rete neurale può essere supervisionato o non supervisionato.

Si dice che una rete neurale apprenda supervisionata se l'output desiderato è già noto. Esempio: associazione modello

Le reti neurali che apprendono senza supervisione non hanno tali output target. Non è possibile determinare quale sarà il risultato del processo di apprendimento. Durante il processo di apprendimento, le unità (valori di peso) di tale rete neurale sono "disposte" all'interno di un certo intervallo, a seconda dei valori di input forniti. L'obiettivo è raggruppare unità simili vicine tra loro in determinate aree dell'intervallo di valori. Esempio: classificazione del modello

Apprendimento supervisionato, dati i dati con una risposta.

Dato l'email etichettata come spam / non spam, impara un filtro antispam.

Dato un set di dati di pazienti con diagnosi di diabete o no, impara a classificare i nuovi pazienti come diabetici o meno.

L'apprendimento senza supervisione, dati i dati senza una risposta, consente al PC di raggruppare le cose.

Dato un insieme di articoli di notizie trovati sul Web, raggruppa in un insieme di articoli sulla stessa storia.

Dato un database di dati personalizzati, scopri automaticamente i segmenti di mercato e raggruppa i clienti in diversi segmenti di mercato.

Riferimento

Apprendimento supervisionato

In questo, ogni modello di input utilizzato per addestrare la rete è associato a un modello di output, che è la destinazione o il modello desiderato. Si presume che un insegnante sia presente durante il processo di apprendimento, quando viene effettuato un confronto tra l'output calcolato della rete e l'output previsto corretto, per determinare l'errore. L'errore può quindi essere utilizzato per modificare i parametri di rete, con conseguente miglioramento delle prestazioni.

Apprendimento senza supervisione

In questo metodo di apprendimento, l'output di destinazione non viene presentato alla rete. È come se nessun insegnante presentasse il modello desiderato e, quindi, il sistema impara da solo scoprendo e adattandosi alle caratteristiche strutturali nei modelli di input.

Apprendimento supervisionato : fornisci dati di esempio etichettati in modo diverso come input, insieme alle risposte corrette. Questo algoritmo imparerà da esso e inizierà a prevedere i risultati corretti in base agli input da allora in poi. Esempio : filtro antispam via email

Apprendimento senza supervisione : dai semplicemente dati e non dici nulla, come etichette o risposte corrette. L'algoritmo analizza automaticamente i pattern nei dati. Esempio : Google News

Proverò a mantenerlo semplice.

Apprendimento supervisionato: in questa tecnica di apprendimento, ci viene fornito un set di dati e il sistema conosce già l'output corretto del set di dati. Quindi qui, il nostro sistema impara predicendo un valore a sé stante. Quindi, esegue un controllo di precisione utilizzando una funzione di costo per verificare quanto fosse vicina la sua previsione all'output effettivo.

Apprendimento senza supervisione: in questo approccio, abbiamo poca o nessuna conoscenza di quale sarebbe il nostro risultato. Quindi, invece, deriviamo la struttura dai dati in cui non conosciamo l'effetto della variabile. Realizziamo la struttura raggruppando i dati in base alla relazione tra la variabile nei dati. Qui, non abbiamo un feedback basato sulla nostra previsione.

Apprendimento supervisionato

Hai input x e un output target t. Quindi ti alleni l'algoritmo per generalizzare alle parti mancanti. È supervisionato perché viene assegnato l'obiettivo. Sei il supervisore che dice l'algoritmo: per l'esempio x, dovresti produrre t!

Apprendimento senza supervisione

Sebbene la segmentazione, il clustering e la compressione siano generalmente conteggiati in questa direzione, faccio fatica a trovare una buona definizione.

Prendiamo come esempio gli autocodificatori per la compressione . Mentre hai solo l'input x dato, è l'ingegnere umano come dice all'algoritmo che anche il target è x. Quindi, in un certo senso, questo non è diverso dall'apprendimento supervisionato.

E per il clustering e la segmentazione, non sono troppo sicuro se si adatta davvero alla definizione di machine learning (vedi altra domanda ).

Apprendimento supervisionato: hai etichettato i dati e devi imparare da quello. ad esempio i dati della casa insieme al prezzo e quindi imparare a prevedere il prezzo

Apprendimento senza supervisione: devi trovare la tendenza e quindi prevedere, senza etichette precedenti fornite. ad esempio persone diverse nella classe e poi arriva una nuova persona, quindi a quale gruppo appartiene questo nuovo studente.

Nell'apprendimento supervisionato sappiamo quale dovrebbe essere l'input e l'output. Ad esempio, dato un set di macchine. Dobbiamo scoprire quali sono rossi e quali blu.

Considerando che, l' apprendimento senza supervisione è dove dobbiamo scoprire la risposta con pochissimo o senza alcuna idea di come dovrebbe essere l'output. Ad esempio, uno studente potrebbe essere in grado di costruire un modello che rilevi quando le persone sorridono in base alla correlazione di schemi facciali e parole come "cosa stai sorridendo?".

L'apprendimento supervisionato può etichettare un nuovo oggetto in una delle etichette addestrate in base all'apprendimento durante l'allenamento. È necessario fornire un gran numero di set di dati di addestramento, set di dati di validazione e set di dati di test. Se si forniscono vettori di cifre pixel con cifre insieme a dati di allenamento con etichette, è possibile identificare i numeri.

L'apprendimento non supervisionato non richiede set di dati di formazione. Nell'apprendimento senza supervisione può raggruppare gli elementi in diversi cluster in base alla differenza nei vettori di input. Se si forniscono vettori di cifre pixel di cifre e si richiede di classificarlo in 10 categorie, è possibile farlo. Ma sa come etichettarlo poiché non hai fornito etichette di addestramento.

L'apprendimento supervisionato è fondamentalmente in cui si hanno variabili di input (x) e variabili di output (y) e si utilizza l'algoritmo per apprendere la funzione di mappatura da input a output. Il motivo per cui l'abbiamo chiamato supervisionato è perché l'algoritmo impara dal set di dati di training, l'algoritmo fa iterativamente previsioni sui dati di training. Supervisionato ha due tipi: classificazione e regressione. La classificazione è quando la variabile di output è categoria come sì / no, vero / falso. La regressione è quando l'uscita è valori reali come altezza della persona, temperatura ecc.

L'apprendimento supervisionato delle Nazioni Unite è dove abbiamo solo dati di input (X) e nessuna variabile di output. Questo si chiama apprendimento senza supervisione perché a differenza dell'apprendimento supervisionato sopra non ci sono risposte corrette e non c'è insegnante. Gli algoritmi sono lasciati a se stessi per scoprire e presentare la struttura interessante nei dati.

Tipi di apprendimento senza supervisione sono il raggruppamento e l'associazione.

L'apprendimento supervisionato è fondamentalmente una tecnica in cui i dati di addestramento da cui apprende la macchina sono già etichettati, supponendo un semplice e dispari classificatore di numeri dispari in cui sono già stati classificati i dati durante l'allenamento. Pertanto utilizza i dati "ETICHETTATI".

Al contrario, l'apprendimento senza supervisione è una tecnica in cui la macchina da sola etichetta i dati. Oppure puoi dire che è il caso quando la macchina impara da sola da zero.

Nell'apprendimento semplice supervisionato è il tipo di problema di apprendimento automatico in cui abbiamo alcune etichette e utilizzando tali etichette implementiamo algoritmi come regressione e classificazione. La classificazione viene applicata laddove il nostro output è come nella forma di 0 o 1, vero / falso, si No. e la regressione viene applicata laddove si attribuisce un valore reale a tale casa di prezzo

L'apprendimento non supervisionato è un tipo di problema di apprendimento automatico in cui non abbiamo etichette significa che abbiamo solo alcuni dati, dati non strutturati e dobbiamo raggruppare i dati (raggruppamento di dati) utilizzando vari algoritmi non supervisionati

Apprendimento automatico supervisionato

"Il processo di apprendimento di un algoritmo dal set di dati di training e previsione dell'output."

Precisione dell'output previsto direttamente proporzionale ai dati di allenamento (lunghezza)

L'apprendimento supervisionato è dove si hanno variabili di input (x) (set di dati di training) e una variabile di output (Y) (set di dati di test) e si utilizza un algoritmo per apprendere la funzione di mappatura dall'input all'output.

Y = f(X)

Tipi principali:

• Classificazione (asse y discreto)
• Predittivo (asse y continuo)

algoritmi:

• Algoritmi di classificazione:

  Neural Networks  
  Naïve Bayes classifiers  
  Fisher linear discriminant  
  KNN 
  Decision Tree 
  Super Vector Machines
  

• Algoritmi predittivi:

  Nearest  neighbor  
  Linear Regression,Multi Regression 
  

Campi di applicazione:

1. Classificare le e-mail come spam
2. Classificare se il paziente ha una malattia o meno

3. Riconoscimento vocale

4. Prevedere il candidato selezionare HR particolare oppure no

5. Prevedi il prezzo del mercato azionario

Apprendimento supervisionato :

Un algoritmo di apprendimento supervisionato analizza i dati di allenamento e produce una funzione dedotta, che può essere utilizzata per mappare nuovi esempi.

1. Forniamo dati di formazione e conosciamo l'output corretto per un determinato input
2. Conosciamo la relazione tra input e output

Categorie di problemi:

Regressione: prevedere i risultati all'interno di un output continuo => mappare le variabili di input su alcune funzioni continue.

Esempio:

Dato un ritratto di una persona, prevedere la sua età

Classificazione: prevedere risultati in un output discreto => mappare le variabili di input in categorie discrete

Esempio:

Questo tumore è canceroso?

Apprendimento non supervisionato:

L'apprendimento senza supervisione apprende dai dati di test che non sono stati etichettati, classificati o classificati. L'apprendimento senza supervisione identifica elementi comuni nei dati e reagisce in base alla presenza o assenza di tali elementi comuni in ogni nuovo dato.

1. Possiamo ricavare questa struttura raggruppando i dati in base alle relazioni tra le variabili nei dati.

2. Non ci sono feedback basati sui risultati della previsione.

Categorie di problemi:

Clustering: è il compito di raggruppare un insieme di oggetti in modo tale che gli oggetti nello stesso gruppo (chiamato cluster) siano più simili (in un certo senso) tra loro rispetto a quelli di altri gruppi (cluster)

Esempio:

Prendi una raccolta di 1.000.000 di geni diversi e trova un modo per raggruppare automaticamente questi geni in gruppi che sono in qualche modo simili o correlati da variabili diverse, come durata della vita, posizione, ruoli e così via .

I casi d'uso più diffusi sono elencati qui.

Differenza tra classificazione e clustering nel data mining?

Riferimenti:

Supervised_learning

Unsupervised_learning

apprendimento automatico dal corso di studio

towardsdatascience

Apprendimento supervisionato

Apprendimento senza supervisione

Esempio:

Apprendimento supervisionato:

• Una borsa con mela

• Una borsa con l'arancia

  => modello di build

• Un sacchetto misto di mela e arancia.

  => Ti preghiamo di classificare

Apprendimento non supervisionato:

• Un sacchetto misto di mela e arancia.

  => modello di build

• Un altro miscuglio

  => Ti preghiamo di classificare

In parole semplici .. :) È mia comprensione, sentiti libero di correggere. L'apprendimento supervisionato è che sappiamo cosa stiamo prevedendo sulla base dei dati forniti. Quindi abbiamo una colonna nel set di dati che deve essere predicata. Apprendimento senza supervisione è, cerchiamo di estrarre significato dal set di dati fornito. Non abbiamo chiarezza su cosa prevedere. Quindi la domanda è perché lo facciamo? .. :) La risposta è: il risultato dell'apprendimento non supervisionato sono gruppi / cluster (dati simili insieme). Quindi, se riceviamo nuovi dati, li associamo al cluster / gruppo identificato e comprendiamo le sue caratteristiche.

Spero che ti possa aiutare.

apprendimento supervisionato

l'apprendimento supervisionato è il luogo in cui conosciamo l'output dell'input non elaborato, ovvero i dati sono etichettati in modo tale che durante l'addestramento del modello di apprendimento automatico capirà cosa deve rilevare nell'output di output e guiderà il sistema durante l'addestramento a rilevare gli oggetti pre-etichettati su quella base rileverà gli oggetti simili che abbiamo fornito in formazione.

Qui gli algoritmi sapranno qual è la struttura e il modello dei dati. L'apprendimento supervisionato viene utilizzato per la classificazione

Ad esempio, possiamo avere oggetti diversi le cui forme sono quadrate, circolari, il nostro compito è quello di disporre gli stessi tipi di forme che il set di dati con etichetta ha tutte le forme etichettate e formeremo il modello di apprendimento automatico su quel set di dati, su in base al set di date di allenamento inizierà a rilevare le forme.

Apprendimento non supervisionato

L'apprendimento senza supervisione è un apprendimento senza guida in cui non si conosce il risultato finale, raggrupperà il set di dati e, sulla base di proprietà simili dell'oggetto, suddividerà gli oggetti su diversi gruppi e rileverà gli oggetti.

Qui gli algoritmi cercheranno il diverso modello nei dati grezzi e in base a ciò raggrupperanno i dati. L'apprendimento non supervisionato viene utilizzato per il clustering.

Ad esempio, possiamo avere diversi oggetti di più forme quadrate, circolari, triangolari, quindi renderà i grappoli in base alle proprietà dell'oggetto, se un oggetto ha quattro lati lo considererà quadrato e se ha tre lati triangolo e se non ci sono lati oltre il cerchio, qui i dati non sono etichettati, impareranno da soli a rilevare le varie forme

L'apprendimento automatico è un campo in cui stai cercando di creare una macchina per imitare il comportamento umano.

Ti alleni la macchina proprio come un bambino. Il modo in cui gli umani apprendono, identificano le caratteristiche, riconoscono i modelli e si allenano da soli, allo stesso modo in cui alleni la macchina fornendo dati con varie funzionalità. L'algoritmo della macchina identifica il modello all'interno dei dati e lo classifica in una particolare categoria.

L'apprendimento automatico ampiamente diviso in due categorie, apprendimento supervisionato e non supervisionato.

L'apprendimento supervisionato è il concetto in cui si hanno input / dati di input con valore target (output) corrispondente. D'altro canto, l'apprendimento senza supervisione è il concetto in cui si hanno solo vettori / dati di input senza alcun valore target corrispondente.

Un esempio di apprendimento supervisionato è il riconoscimento di cifre scritte a mano in cui si ha un'immagine di cifre con la cifra corrispondente [0-9] e un esempio di apprendimento senza supervisione è il raggruppamento dei clienti in base al comportamento di acquisto.