Was ist der Unterschied zwischen überwachtem Lernen und unüberwachtem Lernen?

Question

Was ist im Hinblick auf künstliche Intelligenz und maschinelles Lernen der Unterschied zwischen überwachtem und unüberwachtem Lernen?Können Sie anhand eines Beispiels eine einfache und einfache Erklärung geben?

Answer 1

Da Sie diese sehr grundlegende Frage zu stellen, sieht es aus wie es sich lohnt, die festlegen, was für maschinelles Lernen selbst ist.

Machine Learning ist eine Klasse von Algorithmen, die datengesteuerte ist, das heißt im Gegensatz zu „normalen“ Algorithmen es die Daten ist, dass „sagt“, was die „gute Antwort“ ist. Beispiel: eine hypothetische Nicht-Maschine Lernalgorithmus für die Gesichtserkennung in Bildern versuchen würde, zu definieren, was ein Gesicht (runde hautähnliche farbene Scheibe mit dunkelem Bereich, in dem man die Augen usw. erwarten). Eine Maschine Lernalgorithmus würde nicht so codiert Definition haben, würde aber „lernen-by-Beispiele“: Sie mehrere Bilder von Gesichtern zeigen werde und nicht-Gesichtern und einem guten Algorithmus wird schließlich lernen und in der Lage sein, ob eine unsichtbare vorherzusagen Bild ist ein Gesicht.

Dieses spezielle Beispiel der Gesichtserkennung ist überwacht , was bedeutet, dass Ihre Beispiele sein müssen markiert oder explizit sagen, welche diejenigen Gesichter sind und welche nicht.

In einem unbeaufsichtigt Algorithmus Ihre Beispiele sind nicht markiert , das heißt man nichts sagen. Natürlich in einem solchen Fall kann der Algorithmus selbst nicht „erfinden“, was für ein Gesicht ist, aber es kann versuchen href="http://en.wikipedia.org/wiki/Cluster_analysis" rel="noreferrer"> Cluster die Daten in unterschiedliche Gruppen, zum Beispiel es kann unterscheiden, dass Gesichter von Landschaften sind sehr unterschiedlich, die von Pferden sehr unterschiedlich sind.

Da eine andere Antwort erwähnt sie (wenn auch in einer falschen Art und Weise): Es gibt "Zwischen" Formen der Überwachung, das heißt halb-überwachte und aktives Lernen . Technisch sind diese Methoden überwacht, in denen es einige „intelligente“ Art und Weise eine große Anzahl von markierten Beispiele zu vermeiden. Im aktiven Lernen entscheidet der Algorithmus selbst, die Sache sollten Sie beschriften (z kann es ziemlich sicher eine Landschaft und ein Pferd sein, aber es könnte Sie zur Bestätigung fragen, ob ein Gorilla in der Tat das Bild eines Gesichts ist). In halb-überwachtes Lernen, gibt es zwei verschiedene Algorithmen, die mit den markierten Beispielen beginnen und dann „sagen“ sie so, wie sie über einige große Anzahl von nicht markierten Daten denken. Aus dieser „Diskussion“ sie lernen.

Answer 2

wachtes Lernen ist, wenn die Daten, die Sie mit Ihrem Algorithmus füttern wird „markiert“ oder „markiert“, um Ihre Logik Entscheidungen treffen.

. Beispiel: Bayes Spam-Filter, wo Sie ein Element als Spam zu kennzeichnen, die Ergebnisse zu verfeinern

Unüberwachtes Lernen sind Arten von Algorithmen, die Korrelationen zu finden versuchen, ohne externe Eingaben außer den Rohdaten.

. Beispiel: Data-Mining-Clustering-Algorithmen

Answer 3

wachtes Lernen

Anwendungen, in denen die Trainingsdaten Beispiele der Eingabevektoren zusammen mit ihren entsprechenden Zielvektoren sind bekannt als überwachtes Lernen Probleme umfassen.

Unüberwachtes Lernen

In anderen Mustererkennungsprobleme besteht die Trainingsdaten aus einem Satz von Eingangsvektoren x ohne entsprechenden Zielwerten. Das Ziel in solchen unüberwachten Lernprobleme sein können Gruppen von ähnlichen Beispielen innerhalb der Daten zu entdecken, wo es Clustering genannt wird

Mustererkennung und Maschinelles Lernen (Bishop, 2006)

Answer 4

In wachtes Lernen, der Eingang x wird mit dem erwarteten Ergebnis y vorgesehen (dh die Ausgabe des Modell soll erzeugen, wenn der Eingang x), die oft als die „Klasse“ bezeichnet wird (oder „Label“) von der entsprechende Eingang x.

In nicht überwachtes Lernen, die „Klasse“ ein Beispiel x ist nicht vorgesehen. So kann nicht überwachtes Lernen gedacht werden als „verborgene Struktur“ in unmarkierter Datensatz zu finden.

Ansätze zum wachtes Lernen sind:

• Klassifikation (1R, Naive Bayes, Entscheidungsbaum-Lernalgorithmus, wie zum wie ID3 CART, und so weiter)

• Numerischer Wert Prediction

Ansätze zur unbeaufsichtigten Lernen sind:

• Clustering (K-Means, hierarchisches Clustering)

• Assoziationsregel Learning

Answer 5

Zum Beispiel sehr oft ein neuronales Netz trainiert ist überwachtes Lernen. Sie das Netzwerk doch sagen, zu welcher Klasse des Merkmalsvektor entspricht Du Fütterung

Clustering ist nicht überwachtes Lernen. Sie den Algorithmus entscheiden lassen, wie man Gruppenproben in Klassen, die gemeinsame Eigenschaften

Ein weiteres Beispiel für unüberwachten Lernen ist Kohonen-Selbst Karten organisieren.

Answer 6

Ich kann Ihnen ein Beispiel nennen.

Angenommen, Sie müssen erkennen, welches Fahrzeug ein Auto und welches ein Motorrad ist.

Im betreut Im Lernfall muss Ihr Eingabedatensatz (Trainingsdatensatz) beschriftet werden, d. h. Sie sollten für jedes Eingabeelement in Ihrem Eingabedatensatz (Trainingsdatensatz) angeben, ob es ein Auto oder ein Motorrad darstellt.

Im unbeaufsichtigt Beim Lernfall beschriften Sie die Eingaben nicht.Das unbeaufsichtigte Modell gruppiert die Eingabe in Cluster basierend z.B.auf ähnliche Merkmale/Eigenschaften.In diesem Fall gibt es also keine Bezeichnungen wie „Auto“.

Answer 7

Ich habe immer gefunden, die Unterscheidung zwischen unüberwachte und überwachte Lernen willkürlich und ein wenig verwirrend zu sein. Es gibt keinen wirklichen Unterschied zwischen den beiden Fällen, stattdessen gibt es eine Reihe von Situationen, in denen ein Algorithmus mehr oder weniger ‚Überwachung‘ hat. Die Existenz von halb-überwachtes Lernen ist ein offensichtlichen Beispiele, wo die Linie verwischt wird.

neige ich die Aufsicht denken als Feedback an den Algorithmus zu geben, was Lösungen bevorzugt werden sollen. Für eine traditionelle wachte Einstellung, wie Spam-Erkennung, sagen Sie den Algorithmus „Sie machen keine Fehler auf den Trainingssatz“ ; für eine traditionelle unbeaufsichtigt Einstellung wie Clustering, können Sie den Algorithmus sagen „Punkte, die nahe beieinander liegen sollten im selben Cluster sein“ . Es passiert einfach so, dass die erste Form von Feedback viel präziser als die letztere ist.

Kurz gesagt, wenn jemand sagt: ‚überwacht‘, denkt Klassifikation, wenn sie sagen, ‚unbeaufsichtigt‘ Vorfahrt für Clustering und versuche, nicht zu viele Sorgen darüber darüber hinaus.

Answer 8

Maschinelles Lernen: Es erforscht die Studie und den Bau von Algorithmen, die lernen können und machen Prognosen auf data.Such Algorithmen durch den Bau eines Modells aus Beispiel Eingänge arbeiten, um als Ausgaben ausgedrückt datengesteuerte Prognosen oder Entscheidungen zu treffen, anstatt streng nach statischen Programmanweisungen.

Betreute Lern: Es ist die Maschine Lernaufgabe von einer Funktion aus markierter Ausbildung Daten.Verfahren Folgern Trainingsdaten eines Satzes von Trainingsbeispielen bestehen. In wachtes Lernen, die jeweils beispielsweise ein Paar aus einem Eingabeobjekt aus (typischerweise ein Vektor) und einen gewünschten Ausgangswert (auch das Überwachungssignal bezeichnet). Ein betreuter Lernalgorithmus analysiert die Trainingsdaten und erzeugt eine abgeleitete Funktion, die für die Zuordnung neue Beispiele verwendet werden kann.

Der Computer mit Beispiel Ein- und ihren gewünschten Ausgaben vorgelegt wird, von einem „Lehrer“ gegeben, und das Ziel ist es, eine allgemeine Regel zu lernen, die Eingaben outputs.Specifically abbildet, nimmt ein überwachtes Lernalgorithmus einen bekannten Satz von Eingangsdaten und bekannten Antworten auf die Daten (Ausgang), und bildet ein Modell für die Reaktion auf den neuen Daten.

vernünftige Prognosen zu generieren

Unüberwachtes Lernen: Es ist das Lernen ohne Lehrer. Ein Grund was Sie könnten mit den Daten tun möchten, ist es sichtbar zu machen. Es ist die Maschine Lernaufgabe eine Funktion von Folgern verborgene Struktur von unmarkierten Daten zu beschreiben. Da die Beispiele für die Lernenden unmarkierten sind gegeben, ist kein Fehler oder Belohnungssignal eine mögliche Lösung zu bewerten. Dies unterscheidet nicht überwachtes Lernen von überwachtes Lernen. Unüberwachten Lernen verwendet Verfahren, die natürliche Partitionen zu finden versuchen, von Mustern.

Mit unbeaufsichtigten Lernen gibt es keine Rückmeldung über das Vorhersageergebnis basiert, dh es gibt keinen Lehrer you.Under die Unüberwachte Lernmethoden keine markierten Beispiele werden zu korrigieren und es gibt keine Vorstellung von der Ausgabe während des Lern Prozess. Als Ergebnis ist es für das Lernschema / Modell Muster zu finden oder die Gruppen der Eingangsdaten entdecken

  

Sie sollten nicht unbeaufsichtigt Lernmethoden verwenden, wenn Sie einen großen brauchen   Datenmenge Ihrer Modelle zu trainieren, und die Bereitschaft und Fähigkeit   zu experimentieren und zu erkunden, und eine Herausforderung natürlich, die nicht gut ist   gelöst über mehr etablierte methods.With unüberwachten Lernen ist   möglich, größere und komplexere Modelle zu lernen, als mit überwachtem   Lernen. Hier ist ein gutes Beispiel für die

.

Answer 9

Überwachtes Lernen

Supervised learning is based on training a data sample from data source with correct classification already assigned. Such techniques are utilized in feedforward or MultiLayer Perceptron (MLP) models. These MLP has three distinctive characteristics:

1. One or more layers of hidden neurons that are not part of the input or output layers of the network that enable the network to learn and solve any complex problems
2. Die in der neuronale Aktivität widerspiegelne Nichtlinearität ist differenzierbar und,
3. The interconnection model of the network exhibits a high degree of connectivity.

These characteristics along with learning through training solve difficult and diverse problems. Learning through training in a supervised ANN model also called as error backpropagation algorithm. The error correction-learning algorithm trains the network based on the input-output samples and finds error signal, which is the difference of the output calculated and the desired output and adjusts the synaptic weights of the neurons that is proportional to the product of the error signal and the input instance of the synaptic weight. Based on this principle, error back propagation learning occurs in two passes:

Vorwärtspass:

Hier wird der Eingabevektor dem Netzwerk präsentiert. y(n) = φ(v(n)) Wo v(n) ist das induzierte lokale Feld eines Neurons, definiert durch v(n) =Σ w(n)y(n). Die auf der Ausgabeschicht o(n) berechnete Ausgabe wird mit der gewünschten Antwort verglichen d(n) und findet den Fehler e(n) für dieses Neuron.Die synaptischen Gewichte des Netzwerks bleiben während dieses Durchgangs gleich.

Rückwärtspass:

Das Fehlersignal, das vom Ausgabeneuron dieser Schicht stammt, wird rückwärts durch das Netzwerk weitergeleitet.Dies berechnet den lokalen Gradienten für jedes Neuron in jeder Schicht und ermöglicht, dass sich die synaptischen Gewichte des Netzwerks gemäß der Delta-Regel wie folgt ändern:

Δw(n) = η * δ(n) * y(n).

Diese rekursive Berechnung wird mit einem Vorwärtsdurchlauf gefolgt von einem Rückwärtsdurchlauf für jedes Eingabemuster fortgesetzt, bis das Netzwerk konvergiert ist.

Das überwachte Lernparadigma eines KNN ist effizient und findet Lösungen für mehrere lineare und nichtlineare Probleme wie Klassifizierung, Anlagensteuerung, Prognose, Vorhersage, Robotik usw.

Unbeaufsichtigtes Lernen

Selbstorganisierende neuronale Netze lernen mithilfe eines unbeaufsichtigten Lernalgorithmus, versteckte Muster in unbeschrifteten Eingabedaten zu identifizieren.Unter „unüberwacht“ versteht man die Fähigkeit, Informationen zu lernen und zu organisieren, ohne ein Fehlersignal zur Bewertung der möglichen Lösung zu liefern.Das Fehlen einer Richtung für den Lernalgorithmus beim unüberwachten Lernen kann manchmal von Vorteil sein, da der Algorithmus dadurch nach Mustern suchen kann, die zuvor nicht berücksichtigt wurden.Die Hauptmerkmale von selbstorganisierenden Karten (SOM) sind:

1. It transforms an incoming signal pattern of arbitrary dimension into one or 2 dimensional map and perform this transformation adaptively
2. The network represents feedforward structure with a single computational layer consisting of neurons arranged in rows and columns. At each stage of representation, each input signal is kept in its proper context and,
3. Neurons dealing with closely related pieces of information are close together and they communicate through synaptic connections.

Die Rechenschicht wird auch als Wettbewerbsschicht bezeichnet, da die Neuronen in der Schicht miteinander konkurrieren, um aktiv zu werden.Daher wird dieser Lernalgorithmus als Wettbewerbsalgorithmus bezeichnet.

Wettbewerbsphase:

für jedes Eingabemuster x, dem Netzwerk präsentiert, inneres Produkt mit synaptischem Gewicht w wird berechnet und die Neuronen in der Wettbewerbsschicht finden eine Diskriminanzfunktion, die einen Wettbewerb zwischen den Neuronen induziert, und der synaptische Gewichtsvektor, der im euklidischen Abstand nahe am Eingabevektor liegt, wird als Gewinner des Wettbewerbs bekannt gegeben.Dieses Neuron wird als am besten passendes Neuron bezeichnet.

i.e. x = arg min ║x - w║.

Kooperative Phase:

Das gewinnende Neuron bestimmt das Zentrum einer topologischen Nachbarschaft h kooperierender Neuronen.Dies geschieht durch die laterale Interaktion d Diese topologische Nachbarschaft verringert ihre Größe im Laufe der Zeit.

Adaptive Phase:

enables the winning neuron and its neighborhood neurons to increase their individual values of the discriminant function in relation to the input pattern through suitable synaptic weight adjustments,

 Δw = ηh(x)(x –w).

Bei wiederholter Präsentation der Trainingsmuster tendieren die synaptischen Gewichtsvektoren aufgrund der Nachbarschaftsaktualisierung dazu, der Verteilung der Eingabemuster zu folgen, und so lernt das KNN ohne Supervisor.

Das selbstorganisierende Modell repräsentiert auf natürliche Weise das neurobiologische Verhalten und wird daher in vielen realen Anwendungen wie Clustering, Spracherkennung, Textursegmentierung, Vektorkodierung usw. verwendet.

Referenz.

Answer 10

wachtes Lernen : Sie geben auf verschiedene Weise markiert Beispiel Daten als Eingabe, zusammen mit den richtigen Antworten. Dieser Algorithmus wird daraus lernen, und starten Sie danach korrekte Ergebnisse basierend auf den Eingängen der Vorhersage. Beispiel : E-Mail Spam-Filter

nicht überwachtes Lernen : Sie nur Daten geben und nichts sagen - wie Etiketten oder richtigen Antworten. Algorithmus analysiert automatisch Muster in den Daten. Beispiel : Google News

Answer 11

Ich werde versuchen, es einfach zu halten.

wachtes Lernen: Bei dieser Technik des Lernens werden wir einen Datensatz gegeben und das System weiß, bereits die richtige Ausgabe des Datensatzes. Also hier unser System lernt durch einen eigenen Wert vorherzusagen. Dann tut es eine Genauigkeitsprüfung durch eine Kostenfunktion zu überprüfen, wie nahe seine Vorhersage des tatsächlichen Ausgang war.

nicht überwachtes Lernen: In diesem Ansatz haben wir wenig oder gar kein Wissen darüber, was unser Ergebnis wäre. Anstatt also, wir leiten Struktur aus den Daten, bei denen wir nicht wissen, Wirkung von Variablen. Wir machen Struktur, die durch die auf Beziehung in Daten unter den variablen basierten Daten Clustering. Hier haben wir nicht ein Feedback auf der Grundlage unserer Vorhersage.

Answer 12

Betreute Lernen, da die Daten mit einer Antwort.

Da E-Mail als Spam / Nicht-Spam gekennzeichnet, erfahren Sie einen Spam-Filter.

einen Datensatz von Patienten entweder als mit Diabetes oder nicht diagnostiziert gegeben, lernen neue Patienten zu klassifizieren als Diabetes oder nicht.

Unüberwachtes Lernen, die Daten ohne eine Antwort gegeben, lassen Sie den PC zu gruppieren Dinge.

eine Reihe von Nachrichtenartikeln gegeben, die im Internet gefunden, Gruppe die in Reihe von Artikeln über die gleiche Geschichte.

eine Datenbank mit benutzerdefinierten Daten eingewilligt, automatisch Marktsegmente und Gruppen Kunden in verschiedenen Marktsegmenten zu entdecken.

Referenz

Answer 13

Überwachtes Lernen

In this, every input pattern that is used to train the network is associated with an output pattern, which is the target or the desired pattern. A teacher is assumed to be present during the learning process, when a comparison is made between the network's computed output and the correct expected output, to determine the error. The error can then be used to change network parameters, which result in an improvement in performance.

Unbeaufsichtigtes Lernen

In this learning method, the target output is not presented to the network. It is as if there is no teacher to present the desired pattern and hence, the system learns of its own by discovering and adapting to structural features in the input patterns.

Answer 14

wachtes Lernen

Sie haben Eingang x und einen Soll-Ausgang t. So trainieren Sie den Algorithmus auf die fehlenden Teile zu verallgemeinern. Es überwacht wird, da das Ziel gegeben ist. Sie sind der Supervisor den Algorithmus zu sagen: Für das Beispiel x, sollten Sie Ausgang t

Unüberwachtes Lernen

Obwohl Segmentierung, Clustering und Kompression in der Regel in diese Richtung gezählt, ich habe eine harte Zeit mit einer guten Definition zu kommen wieder wett.

Nehmen wir Auto-Encoder für die Kompression als Beispiel. Während Sie nur x die Eingabe gegeben haben, ist es der menschliche Ingenieur, wie der Algorithmus sagt, dass das Ziel x auch. Also in einem gewissen Sinne, dies aus überwachten Lernen nicht anders ist.

Und für Clustering und Segmentierung, ich bin mir nicht sicher, ob es wirklich die Definition der Maschine paßt zu lernen (siehe ).

Answer 15

Betreute Lernen: sagen wir ein Kind geht zu Garten Kinder. hier Lehrer zeigt ihm 3 Spielzeug-Haus, Ball und Auto. jetzt Lehrer gibt ihm 10 Spielzeug. er wird sie in 3 Kasten von Haus, Ball und Auto auf der Grundlage seiner bisherigen Erfahrungen einzuordnen. so war Kind zunächst für das Erhalten richtige Antworten für einige Sätze von Lehrern betreut. dann wurde er auf unbekanntes Spielzeug getestet.

Unüberwachtes Lernen: wieder Kindergarten example.A Kind 10 Spielzeug gegeben. er erzählt Segment ähnliche. so basierend auf Eigenschaften wie Form, Größe, Farbe, Funktion usw. er versuchen wird 3 Gruppen sagen, A, B, C und Gruppe ihnen zu machen.

Das Wort Beaufsichtigen bedeutet, dass Sie Überwachung / Anweisung zur Maschine geben es zu helfen, Antworten zu finden. Sobald es Anweisungen lernt, kann es leicht für neuen Fall vorhersagen.

Unüberwachte bedeutet, es gibt keine Aufsicht oder Anweisung, wie Antworten / Labels zu finden und Maschine nutzen ihre Intelligenz einige Muster in unseren Daten zu finden. Hier wird es nicht Vorhersage machen, es wird nur versuchen, Cluster zu finden, die ähnliche Daten hat.

Answer 16

wachtes Lernen: Sie haben Daten markiert und haben sich von dem lernen. z Haus Daten zusammen mit Preis und dann lernen Preis vorherzusagen

Unüberwachtes Lernen: Sie haben den Trend zu finden und dann vorhersagen, keine vorherigen Etiketten angegeben. Beispiel verschiedene Leute in der Klasse und dann eine neue Person kommt so zu welcher Gruppe bedeutet diese neuen Schüler gehören.

Answer 17

wachtes Lernen Wir wissen, was die Eingabe und Ausgabe sein sollte. Um zum Beispiel eine Reihe von Autos gegeben. Wir müssen herausfinden, welche diejenigen, rot und blau welche.

Die Unüberwachtes Lernen ist, wo wir die Antwort mit sehr wenig herausfinden müssen oder ohne eine Vorstellung darüber, wie die Ausgabe sollte. Zum Beispiel könnte ein Lernender der Lage sein, ein Modell zu bauen, der erkennt, wenn die Leute auf der Korrelation von Gesichts-Muster und Wörter wie basieren lächelnd, „was Sie lächeln?“.

Answer 18

Betreute Lernen kann ein neues Element in einer der ausgebildeten Etiketten beschriften basierend auf während des Trainings lernen. Sie benötigen eine große Anzahl von Trainingsdatensatz zu liefern, Validierungsdatensatz und Testdatensatz. Wenn Sie sagen, liefern Pixelbildvektoren von Ziffern zusammen mit Trainingsdaten mit Etiketten, dann kann es die Zahlen identifizieren.

Unüberwachtes Lernen nicht Trainingsdatensätze erfordern. In unbeaufsichtigten Lernen kann es Gruppenelemente in verschiedenen Clustern auf der Differenz in den Eingangsvektoren basiert. Wenn Sie Pixel liefern Bildvektoren von Ziffern und stellen es in 10 Kategorien zu klassifizieren, kann es das tun. Aber es weiß, wie man Etiketten, wie Sie nicht Training Etiketten zur Verfügung gestellt haben.

Answer 19

wachtes Lernen ist im Grunde, wo Sie Eingangsvariablen (x) und die Ausgangsgröße (y) haben und verwenden Algorithmus, um die Abbildungsfunktion von Eingang zum Ausgang zu lernen. Der Grund, warum wir dies als überwachtes genannt, weil Algorithmus aus dem Trainingsdatenmenge lernt, iterativ der Algorithmus die Prognosen auf den Trainingsdaten macht. Betreute haben zwei Arten-Klassifikation und Regression. Die Klassifizierung ist, wenn die Ausgangsgröße Kategorie ist wie ja / nein, wahr / falsch. Regression ist, wenn der Ausgang reale Werte wie Höhe von Person ist, Temperatur etc.

UN Lernen überwacht ist, wo wir nur Eingangsdaten (X) und keine Ausgangsgrößen haben. Dies ist ein nicht überwachtes Lernen genannt, weil im Gegensatz zu überwachtes Lernen oben gibt es keine richtigen Antworten und es gibt keinen Lehrer. Algorithmen sind auf sich allein ersinnt die interessante Struktur in den Daten zu entdecken und zu präsentieren.

Typen von unüberwachten Lernen sind Clustering und Association.

Answer 20

wachtes Lernen ist im Grunde eine Technik, bei der die Trainingsdaten, aus denen die Maschine bereits markiert lernt, die eine einfache, auch ungeradee Zahl Klassifikator annehmen, in dem Sie die Daten bereits während des Trainings eingestuft. Deshalb nutzt es „markiert“ Daten.

Unüberwachtes Lernen im Gegenteil ist eine Technik, bei der die Maschine von selbst die Daten-Etiketten. Oder Sie können ihre den Fall sagen, wenn die Maschine von selbst von Grund auf erlernt.

Answer 21

In der Einfachen       wachtes Lernen ist der Typ des maschinellen Lernens Problem, bei dem wir einige Etiketten haben und durch die Verwendung der Etiketten wir Algorithmus implementieren, wie Regression und Klassifikation .Classification angewendet wird, wo unsere Ausgabe wie in Form ist 0 oder 1, wahr / falsch, ja / nein. und Regression angewandt wird, in dem aus einem realen Wert, wie ein Haus des Preises setzen

nicht überwachtes Lernen ist eine Art des maschinellen Lernens Problem, bei dem wir haben keine Etiketten bedeutet, dass wir einige Daten nur, unstrukturierte Daten, und wir müssen die Daten-Cluster (Gruppierung von Daten) unter Verwendung von verschiedener unbeaufsichtigter Algorithmus

Answer 22

  

Betreute Maschinelles Lernen

     

"Der Prozess eines Algorithmus von Trainingsdaten zu lernen und   vorherzusagen, die Ausgabe. „

Genauigkeit der vorhergesagten Ausgang direkt proportional zu den Trainingsdaten (Länge)

Betreute Lernen können Sie die Eingangsvariablen (x) (Trainingsdaten) und eine Ausgangsgröße (Y) (Testdatensatz) und Sie verwenden einen Algorithmus, die Abbildungsfunktion vom Eingang zum Ausgang zu lernen.

Y = f(X)

Wichtige Typen:

• Classification (diskrete y-Achse)
• Predictive (continuous y-Achse)

Algorithmen:

• Klassifizierungsalgorithmen:

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

• Predictive Algorithmen:

  Nearest  neighbor  
  Linear Regression,Multi Regression 
  

Anwendungsgebiete:

1. Klassifizieren von E-Mails als Spam
2. Klassifizieren, ob Patient Krankheit oder nicht

3. Spracherkennung

4. HR bestimmte Kandidaten oder nicht

wählen Predict

5. Predict den Börsenkurs

Answer 23

wachtes Lernen :

Ein überwachter Lernalgorithmus der Trainingsdaten analysiert und erzeugt eine abgeleitete Funktion, die für die Zuordnung neue Beispiele verwendet werden kann.

1. Wir bieten Trainingsdaten und wir wissen, korrekte Ausgabe für einen bestimmten Eingang
2. Wir wissen Beziehung zwischen Eingang und Ausgang

Kategorien des Problems:

Regression:. Predict Ergebnisse innerhalb einer Dauerleistung => Karte Eingangsgrößen bis zu einem gewissen kontinuierlichen Funktion

Beispiel:

ein Bild von einer Person gegeben, vorhersagen sein Alter

Klassifizierung: Predict Ergebnisse in einem diskreten Ausgang => Karte Eingangsgrößen in einzelne Kategorien

Beispiel:

Ist die Tumer Krebs?

Unüberwachtes Lernen:

Unüberwachtes Lernen lernt von Testdaten, die nicht markiert, klassifiziert oder kategorisiert hat. Unüberwachten Lernen Gemeinsamkeiten in den Daten identifiziert und reagiert auf das Vorhandensein oder Fehlen einer solchen Gemeinsamkeiten in jedem neuen Stück Daten.

1. Wir können diese Struktur ableiten, indem die Daten über die Beziehungen basierend Clustering zwischen den Variablen in den Daten.

2. Es gibt keine Rückmeldung auf der Grundlage der Vorhersageergebnisse.

Kategorien des Problems:

Clustering: ist die Aufgabe, eine Reihe von Objekten in einer solchen Art und Weise der Gruppierung, die in der gleichen Gruppe Objekte (eine so genannte Cluster) ähnlicher sind (in gewissem Sinne ) miteinander als die in anderen Gruppen (Cluster)

Beispiel:

Nehmen Sie eine Sammlung von 1.000.000 verschiedenen Genen, und einen Weg finden, um automatisch Gruppe dieser Gene in Gruppen, die von verschiedenen Variablen irgendwie ähnlich oder verwandt sind, wie Lebensdauer, Lage, Rollen usw. .

Beliebte Anwendungsfälle sind hier aufgelistet.

Unterschied zwischen Klassifikation und Clustering in Data-Mining?

Referenzen:

Supervised_learning

Unsupervised_learning

maschinelles Lernen von Coursera

towardsdatascience

Answer 24

  

wachtes Lernen

  

nicht überwachtes Lernen

  

Beispiel:

wachtes Lernen:

• Ein Beutel mit Apfel

• Ein Beutel mit orange

  => Build-Modell

• Eine bunte Mischung von Apfel und Orange.

  => Bitte klassifizieren

nicht überwachtes Lernen:

• Eine bunte Mischung von Apfel und Orange.

  => Build-Modell

• Ein weiterer mixed bag

  => Bitte klassifizieren

Answer 25

In einfachen Worten .. :) Es ist mein Verständnis, fühlen Sie sich frei zu korrigieren. wachtes Lernen ist, wissen wir, was wir auf der Grundlage der zur Verfügung gestellten Daten prognostizieren. So haben wir eine Spalte im Datensatz, die ausgesagt werden muss. Unüberwachtes Lernen ist, versuchen wir, das heißt aus dem bereitgestellten Datensatzes zu extrahieren. Wir haben noch keine Klarheit darüber, was vorhergesagt werden. So ist Frage, warum wir das tun .. :) Antwort ist - das Ergebnis Unüberwachtes Lernen ist es, Gruppen / Cluster (ähnliche Daten zusammen). Also, wenn wir keine neue Daten erhalten dann assoziieren wir mit der identifizierten Cluster / Gruppe und verstehen, es ist Funktionen.

Ich hoffe, es wird Ihnen helfen.

Answer 26

wachtes Lernen

überwachtes Lernen, wo wir den Ausgang des Roh-Eingangs kennen, dh die Daten markiert ist, so dass während der Ausbildung des maschinellen Lernen Modells wird es verstehen, was es in dem give Ausgang erfassen muß, und es wird das System führt während die Ausbildung der vorge markierten Objekte auf dieser Grundlage zu erkennen, es wird die ähnlichen Objekte erfassen, die wir in der Ausbildung zur Verfügung gestellt haben.

Hier werden die Algorithmen werden wissen, was die Struktur und das Muster der Daten. Beaufsichtigte Lernen wird für die Klassifikation verwendet

Als Beispiel können wir eine andere Objekte, deren Formen sind Quadrat, Kreis haben, trianle unsere Aufgabe ist es, die gleichen Arten von Formen zu ordnen der markierte Dataset haben alle Formen markiert, und wir werden die Maschine Lernmodell auf diesem Datensatz auf der Basis der Ausbildung trainieren dateset es die Formen Erfassung beginnt.

Un beaufsichtigte Lernen

Unüberwachtes Lernen ist eine ungelenkte Lernen, bei dem das Endergebnis nicht bekannt ist, wird es den Datensatz und basierend auf ähnlichen Eigenschaften des Objekts Cluster wird es die Objekte auf verschiedenen Bündel unterteilen und die Objekte erkennen.

Hier werden Algorithmen für die verschiedene Muster in den Rohdaten suchen, und auf der Grundlage, dass sie die Daten-Cluster werden. Un-überwachtes Lernen für das Clustering verwendet wird.

Als Beispiel können wir verschiedene Objekte von mehreren Formen haben Quadrat, Kreis, Dreieck, so wird es die Trauben auf den Objekteigenschaften basiert machen, wenn ein Objekt vier Seiten hat, wird sie es Platz betrachten, und wenn es drei haben Seiten Dreieck und wenn keine Seiten als Kreis, hier die die Daten nicht markiert ist, wird es selbst lernen, die verschiedenen Formen zu erkennen

Answer 27

Es gibt viele Antworten bereits, die die Unterschiede im Detail zu erklären. Ich fand diese Gifs auf Codecademy und sie helfen mir oft erklären die Unterschiede effektiv.

wachtes Lernen

Beachten Sie, dass die Trainingsbilder Etiketten hier haben und dass das Modell die Namen der Bilder lernt.

nicht überwachtes Lernen

Beachten Sie, dass, was hier getan wird ist nur die Gruppierung (Clustering) und dass das Modell nicht weiß nichts über ein beliebiges Bild.

Answer 28

Maschinelles Lernen ist ein Bereich, in dem Sie versuchen, Maschine zu machen, die das menschliche Verhalten zu imitieren.

Sie Maschine trainieren wie ein baby.The wie Menschen lernen, Merkmale zu identifizieren, Muster zu erkennen und trainieren sich selbst, genauso, wie Sie Maschine trainieren, indem Daten mit verschiedenen Funktionen Fütterung. Maschine Algorithmus identifiziert das Muster innerhalb der Daten und klassifizieren sie in bestimmte Kategorie.

im Großen und Ganzen in zwei Kategorien, überwacht und nicht überwachtes Lernen

Maschinelles Lernen.

Betreute Lernen ist das Konzept, in dem Sie Eingangsvektor haben / Daten mit dem Zielwert entspricht (Ausgang) .Auf der anderen Seite nicht überwachtes Lernen ist das Konzept, wo man nur Eingangsvektoren / Daten ohne entsprechende Zielwert haben.

Ein Beispiel für überwachtes Lernen ist handgeschriebene Ziffern Anerkennung, wo Sie Bild von Stellen mit entsprechender Ziffer [0-9], und ein Beispiel für nicht überwachtes Lernen haben, ist die Gruppierung Kunden durch das Kaufverhalten.