¿Cuál es la diferencia entre aprendizaje supervisado y aprendizaje no supervisado?

https://stackoverflow.com/questions/1832076

11-09-2019
|

Pregunta

En términos de inteligencia artificial y aprendizaje automático, ¿cuál es la diferencia entre aprendizaje supervisado y no supervisado?¿Puede proporcionar una explicación básica y sencilla con un ejemplo?

Solución

Dado que hace esta pregunta tan básica, parece que vale la pena especificar qué es el aprendizaje automático en sí.

El aprendizaje automático es una clase de algoritmos basados en datos, es decir,a diferencia de los algoritmos "normales", son los datos los que "dicen" cuál es la "buena respuesta".Ejemplo:un algoritmo hipotético de aprendizaje no automático para la detección de rostros en imágenes intentaría definir qué es un rostro (un disco redondo del color de la piel, con un área oscura donde se esperan los ojos, etc.).Un algoritmo de aprendizaje automático no tendría esa definición codificada, sino que "aprendería mediante ejemplos":mostrará varias imágenes de caras y no caras y un buen algoritmo eventualmente aprenderá y podrá predecir si una imagen invisible es una cara o no.

Este ejemplo particular de detección de rostros es supervisado, lo que significa que sus ejemplos deben ser etiquetado, o decir explícitamente cuáles son caras y cuáles no.

en un sin supervisión algoritmo tus ejemplos no son etiquetado, es decir.no dices nada.Por supuesto, en tal caso el algoritmo por sí solo no puede "inventar" qué es una cara, pero puede intentar grupo los datos en diferentes grupos, p.e.se puede distinguir que los rostros son muy diferentes a los paisajes, que son muy diferentes a los caballos.

Dado que otra respuesta lo menciona (aunque de manera incorrecta):existen formas de supervisión "intermedias", es decir semi-supervisado y aprendizaje activo.Técnicamente, estos son métodos supervisados en los que existe alguna forma "inteligente" de evitar una gran cantidad de ejemplos etiquetados.En el aprendizaje activo, el propio algoritmo decide qué cosa debes etiquetar (p. ej.puede estar bastante seguro acerca de un paisaje y un caballo, pero podría pedirle que confirme si un gorila es realmente la imagen de una cara).En el aprendizaje semisupervisado, hay dos algoritmos diferentes que comienzan con los ejemplos etiquetados y luego se "cuentan" entre sí la forma en que piensan acerca de una gran cantidad de datos no etiquetados.De esta "discusión" aprenden.

Otros consejos

aprendizaje supervisado es cuando los datos que alimenta a su algoritmo con el que se "etiquetado" o "marcado", para ayudar a su lógica de tomar decisiones.

Ejemplo:. Filtrado de spam de Bayes, donde usted tiene que marcar un elemento como spam para filtrar los resultados

aprendizaje no supervisado son tipos de algoritmos que tratan de encontrar correlaciones sin ningún tipo de insumos externos distintos a los datos en bruto.

Ejemplo:. Algoritmos de agrupación de minería de datos

aprendizaje supervisado

aplicaciones en las que los datos de entrenamiento comprende los ejemplos de los vectores de entrada, junto con sus correspondientes vectores blanco se conocen como problemas de aprendizaje supervisado.

aprendizaje no supervisado

En otros problemas de reconocimiento de patrones, los datos de entrenamiento consta de un conjunto de vectores de entrada x sin ningún valores objetivo correspondientes. El objetivo en este tipo de problemas de aprendizaje no supervisado puede ser descubrir grupos de ejemplos similares dentro de los datos, donde se llama la agrupación

Reconocimiento de Formas y Aprendizaje Automático (Bishop, 2006)

En el aprendizaje supervisado, el x de entrada se proporciona con el y resultado esperado (es decir, la salida del modelo se supone que produce cuando la entrada es x), que a menudo se llama la "clase" (o "etiqueta") de la correspondiente x de entrada.

En el aprendizaje sin supervisión, no se proporciona la "clase" de un ejemplo x. Así, el aprendizaje no supervisado puede ser pensado como la búsqueda de "estructura oculta" en el conjunto de datos no etiquetados.

Enfoques de aprendizaje supervisado incluyen:

Clasificación (1R, Naive Bayes, la decisión algoritmo de aprendizaje de árboles, tales como ID3 CART, y así sucesivamente)
Valor numérico de predicción

Enfoques de aprendizaje no supervisado incluyen:

Clustering (K-means, la agrupación jerárquica)
Asociación regla de aprendizaje

Por ejemplo, muy a menudo la formación de una red neuronal es aprendizaje supervisado:. Estás diciendo la red a la que corresponde la clase del vector de características que está alimentando

La agrupación es aprendizaje no supervisado:. Deja que el algoritmo de decidir la forma de muestras en las clases que comparten propiedades comunes

Otro ejemplo de aprendizaje no supervisado es auto de Kohonen organización de mapas .

Te puedo decir un ejemplo.

Supongamos que necesita para reconocer qué vehículo es un coche y cuál es una motocicleta.

supervisado caso, el aprendizaje, la entrada (formación) de datos necesita ser etiquetado, es decir, para cada elemento de entrada en su entrada (de entrenamiento) de datos, se debe especificar si representa un coche o una motocicleta.

no supervisado caso, el aprendizaje, no etiquetar las entradas. El modelo sin supervisión agrupa la entrada en grupos basados, por ejemplo, en características similares / propiedades. Por lo tanto, en este caso, no se hay etiquetas como "coche".

Siempre he encontrado la distinción entre supervisión y supervisado aprender a ser arbitraria y un poco confuso. No hay distinción real entre los dos casos, en su lugar hay una serie de situaciones en las que un algoritmo puede tener más o menos 'supervisión'. La existencia de aprendizaje semi-supervisado es un ejemplos obvios donde aparece borrosa la línea.

tiendo a pensar en la supervisión como dar retroalimentación al algoritmo sobre lo que se debe preferir soluciones. Para un entorno supervisado tradicionales, tales como la detección de spam, le dice al algoritmo de "no cometer ningún error en el conjunto de entrenamiento" ; para un entorno sin supervisión tradicional, como la agrupación, le dice al algoritmo de "puntos que están cerca el uno del otro debe estar en el mismo grupo" . Lo que pasa es que, la primera forma de regeneración es mucho más específico que el segundo.

En pocas palabras, cuando alguien dice 'supervisado', piensa clasificación, cuando dicen 'sin supervisión', piense en la agrupación y tratar de no preocuparse demasiado acerca de él más allá de eso.

El aprendizaje automático: Se explora el estudio y construcción de algoritmos que pueden aprender y hacer predicciones sobre algoritmos data.Such operan mediante la construcción de un modelo de ejemplo insumos con el fin de hacer predicciones basadas en datos o decisiones expresadas como salidas, en lugar de seguir estrictamente las instrucciones del programa estáticas.

El aprendizaje supervisado: Es la tarea de aprendizaje de máquina de inferir una función de datos.El formación etiquetada datos de entrenamiento consisten en un conjunto de ejemplos de entrenamiento. En el aprendizaje supervisado, cada ejemplo es un par que consta de un objeto de entrada (típicamente un vector) y un valor de salida deseado (también llamada la señal de supervisión). Un algoritmo de aprendizaje supervisado analiza los datos de entrenamiento y produce una función deducida, que puede ser utilizado para el mapeo de nuevos ejemplos.

El equipo se presenta con ejemplos de entradas y sus salidas deseadas, dada por un "maestro", y el objetivo es aprender una regla general que los mapas de entradas a outputs.Specifically, un algoritmo de aprendizaje supervisado toma un conjunto conocido de datos de entrada y las respuestas conocidos a los datos (de salida), y los trenes un modelo para generar predicciones razonables para la respuesta a los nuevos datos.

aprendizaje no supervisado: Se trata de aprender sin maestro. una básica cosa que puede que desee ver con los datos es de visualizarlo. Es la tarea de aprendizaje de máquina de inferir una función para describir la estructura oculta de datos no etiquetados. Puesto que los ejemplos dados para el alumno son no marcado, no hay ninguna señal de error o recompensa para evaluar una solución potencial. Esto distingue el aprendizaje no supervisado de aprendizaje supervisado. aprendizaje no supervisado utiliza procedimientos que tratan de encontrar particiones naturales de los patrones.

Con aprendizaje no supervisado no hay realimentación basado en los resultados de la predicción, es decir, no hay maestro para corregir you.Under los métodos de aprendizaje sin supervisión se proporcionan ejemplos no etiquetados y no hay noción de la salida durante el aprendizaje proceso. Como resultado de ello, le corresponde al esquema de aprendizaje / modelo para encontrar patrones o descubrir los grupos de los datos de entrada

Debe utilizar métodos de aprendizaje sin supervisión cuando se necesita una gran cantidad de datos para entrenar a sus modelos, y la voluntad y capacidad para experimentar y explorar, y por supuesto un reto que no es así resuelto a través del aprendizaje no supervisado methods.With más establecida es posible conocer los modelos más grandes y más complejas que con supervisada aprendizaje. Aquí es un buen ejemplo en él

Aprendizaje Supervisado

El aprendizaje supervisado se basa en la formación de una muestra de datos desde la fuente de datos con la clasificación correcta ya asignada. Tales técnicas se utilizan en feedforward o multicapa Perceptron (MLP) modelos. Estos MLP tiene tres distintiva características:

Una o más capas de neuronas ocultas que no son parte de la entrada o capas de salida de la red que permiten a la red para aprender y resolver los problemas complejos
La no linealidad se refleja en la actividad neuronal es diferenciable y,
El modelo de interconexión de la red exhibe un alto grado de conectividad.

Estas características, junto con el aprendizaje a través de la formación resolver problemas difíciles y diversas. El aprendizaje a través formación en un modelo ANN supervisado también llamado como el algoritmo de retropropagación de errores. La corrección de errores-aprendizaje algoritmo entrena la red basándose en la entrada-salida muestras y se encuentra la señal de error, que es la diferencia de la salida calculada y la salida deseada y ajusta la pesos sinápticos de las neuronas que es proporcional a la producto de la señal de error y la instancia de entrada de la peso sináptica. Sobre la base de este principio, el error de volver aprendizaje de propagación se produce en dos pasos:

Forward Pass:

A continuación, se presenta vector de entrada a la red. Esta señal de entrada se propaga hacia delante, neurona por neurona a través de la red y emerge en el extremo de salida de la red como señal de salida: y(n) = φ(v(n)) donde v(n) es el campo local de inducido de una neurona definido por v(n) =Σ w(n)y(n). La salida que se calcula en la capa de salida O (n) se compara con el d(n) respuesta deseada y encuentra el e(n) error para esa neurona. Los pesos sinápticos de la red durante este paso son restos mismos.

Pase Hacia Atrás:

La señal de error que se origina en la neurona de salida de esa capa se propaga hacia atrás a través de la red. Este calcula el gradiente local para cada neurona en cada capa y permite que los pesos sinápticos de la red a someterse a cambios de acuerdo con la regla delta como:

Δw(n) = η * δ(n) * y(n).

Este cálculo recursivo se continúa, con pase hacia adelante seguido por el pase hacia atrás para cada patrón de entrada hasta que la red se hace converger.

paradigma de aprendizaje supervisado de una ANN es eficiente y encuentra soluciones a varios problemas lineales y no lineales, tales como clasificación, control de la planta, el pronóstico, la predicción, la robótica etc.

Aprendizaje No Supervisado

redes neuronales auto-organización aprenden utilizando el algoritmo de aprendizaje no supervisado para identificar patrones ocultos en los datos de entrada sin etiquetar. Esta supervisión se refiere a la capacidad de aprender y organizar información sin proporcionar una señal de error para evaluar la posible solución. La falta de dirección para el algoritmo de aprendizaje en el aprendizaje no supervisado en algún momento puede ser ventajoso, ya que permite que el algoritmo de mirar hacia atrás para los patrones que no han sido considerados anteriormente. Las principales características de auto-Organizing Maps (SOM) son:

Se transforma un patrón de señal de entrada de dimensión arbitraria en uno o 2 mapa tridimensional y realizar esta transformación adaptativa
La red representa la estructura de alimentación directa con una sola capa computacional que consta de neuronas dispuestas en filas y columnas. En cada etapa de la representación, se mantiene cada señal de entrada en su contexto adecuado y,
Las neuronas se ocupan de piezas estrechamente relacionadas de la información están cerca juntos y se comunican a través de conexiones sinápticas.

La capa computacional también se llama como capa competitivo ya que las neuronas en la capa compiten entre sí para convertirse en activa. Por lo tanto, este algoritmo de aprendizaje se llama algoritmo competitivo. algoritmo no supervisado enSOM trabaja en tres fases:

fase de concurso:

para cada x patrón de entrada, presentado a la red, producto interior con w peso sináptica se calcula y las neuronas en la capa competitiva encuentra una función discriminante que inducen la competencia entre las neuronas y el vector de peso sináptica que está cerca de la entrada vector en la distancia euclídea es anunciado como el ganador de la competición. Esa neurona se llama neurona mejor coincidencia,

i.e. x = arg min ║x - w║.

fase Cooperativa:

la neurona ganadora determina el centro de un h barrio topológica de neuronas cooperantes. Esto se realiza por el d interacción lateral entre la las neuronas de cooperación. Este barrio topológica reduce su tamaño en un período de tiempo.

fase de adaptación:

permite la neurona ganadora y sus neuronas de la vecindad para aumentar sus valores individuales de la función discriminante en relación con el patrón de entrada a través de ajustes de peso sinápticas adecuados,

 Δw = ηh(x)(x –w).

A la presentación repetida de los patrones de entrenamiento, los vectores de pesos sinápticos tienden a seguir la distribución de los patrones de entrada debido a la actualización de vecindad y por lo tanto ANN aprende sin supervisor.

auto-organización modelo representa de forma natural el comportamiento neuro-biológica, y por lo tanto se utiliza en muchas aplicaciones del mundo real, tales como la agrupación, reconocimiento de voz, la textura de la segmentación, el vector de codificación, etc.

de referencia.

Aprendizaje supervisado:Proporciona datos de ejemplo etiquetados de diversas formas como entrada, junto con las respuestas correctas.Este algoritmo aprenderá de él y comenzará a predecir resultados correctos en función de las entradas posteriores. Ejemplo:Filtro de spam de correo electrónico

Aprendizaje sin supervisión:Simplemente proporciona datos y no dice nada, como etiquetas o respuestas correctas.El algoritmo analiza automáticamente patrones en los datos. Ejemplo:noticias de Google

Voy a tratar de mantener la sencillez.

Aprendizaje Supervisado: En esta técnica de aprendizaje, se nos da un conjunto de datos y el sistema ya conoce la salida correcta del conjunto de datos. Así que aquí, nuestro sistema aprende mediante la predicción de un valor propio. A continuación, se hace un control de precisión mediante el uso de una función de costos para comprobar qué tan cerca de su predicción fue a la salida real.

aprendizaje no supervisado: En este enfoque, tenemos poco o ningún conocimiento de lo que sería nuestro resultado. Así que en vez, se deriva la estructura de los datos en los que no conocemos efecto de la variable. Hacemos estructura agrupando los datos en función de la relación entre la variable de datos. Aquí, no tenemos una información basada en nuestra predicción.

El aprendizaje supervisado, teniendo en cuenta los datos con una respuesta.

Teniendo en cuenta de correo electrónico marcado como spam / correo no spam ha entrenado con un filtro de correo no deseado.

Dado un conjunto de datos de los pacientes diagnosticados de tener diabetes, ya sea o no, aprender a clasificar los nuevos pacientes que tienen diabetes o no.

aprendizaje no supervisado, teniendo en cuenta los datos sin una respuesta, deja que el PC para agrupar cosas.

Dado un conjunto de artículos de noticias se encuentran en la web, el grupo en conjunto de artículos sobre la misma historia.

Dada una base de datos de los datos personalizados, descubrir automáticamente segmentos de mercado y clientes del grupo en diferentes segmentos del mercado.

Referencia

Aprendizaje Supervisado

En esto, cada patrón de entrada que se utiliza para entrenar a la red es asociado con un patrón de salida, que es el objetivo o el deseado modelo. Un profesor se supone que estar presente durante el aprendizaje proceso, cuando se hace una comparación entre la red de computa la salida y la salida esperada correcta, para determinar el error. los error, entonces se puede utilizar para cambiar los parámetros de red, que resultan en una mejora en el rendimiento.

Aprendizaje No Supervisado

En este método de aprendizaje, la salida de destino no se presentó a la red. Es como si no hay maestro para presentar el deseado patrón y por lo tanto, el sistema aprende de su propia mediante el descubrimiento y adaptándose a las características estructurales en los patrones de entrada.

aprendizaje supervisado

Tiene entrada x y una salida de destino t. Así se entrena el algoritmo de generalizar a las partes que faltan. Es supervisado porque se da el objetivo. Usted es el supervisor diciendo el algoritmo: Para el ejemplo x, que es la Salida t

aprendizaje no supervisado

A pesar de la segmentación, la agrupación y la compresión son por lo general cuentan en esta dirección, tengo un tiempo difícil para llegar a una buena definición para él.

auto-codificadores para la compresión como ejemplo. Si bien es suficiente con la entrada x dada, es el ingeniero humano dice cómo el algoritmo que el objetivo también es x. Por lo tanto, en cierto sentido, esto no es diferente de aprendizaje supervisado.

Y para el agrupamiento y la segmentación, no estoy muy seguro de si realmente se ajusta a la definición de la máquina de aprendizaje (ver otra pregunta ).

El aprendizaje supervisado: por ejemplo un niño va al kinder-jardín. aquí maestro le muestra 3 juguetes de la casa, de bolas y de automóviles. Ahora maestro le da 10 juguetes. que va a clasificarlos en 3 cuadro de casa, bola y el coche basado en su experiencia anterior. por lo chico fue supervisada por primera vez por los maestros para obtener respuestas correctas para algunos juegos. entonces él se puso a prueba en los juguetes desconocidos.

aprendizaje no supervisado: nuevo jardín de infancia example.A niño se le da 10 juguetes. se le dice a los segmentos similares. Así que basado en características como la forma, tamaño, color, etc función que tratará de hacer 3 grupos dicen A, B, C y agruparlos.

La palabra Supervisar significa que está dando de supervisión / instrucciones a la máquina para ayudar a encontrar respuestas. Una vez que se entera de instrucciones, se puede predecir fácilmente de nuevo caso.

Sin supervisión significa que no hay supervisión o instrucciones de cómo encontrar respuestas / etiquetas y la máquina hará uso de su inteligencia para encontrar algún patrón en nuestros datos. Aquí no va a hacer la predicción, se acaba de tratar de encontrar grupos de los cuales tiene datos similares.

Aprendizaje Supervisado: Usted ha etiquetado de datos y tienen que aprender de eso. por ejemplo los datos de la casa junto con el precio y luego aprender a predecir el precio

aprendizaje no supervisado: usted tiene que encontrar la tendencia y luego predecir, sin etiquetas previas dadas. por ejemplo a diferentes personas de la clase y luego una persona nueva llega así que lo que hace este grupo de nuevos estudiantes pertenecen a.

Aprendizaje Supervisado sabemos cuál debe ser la entrada y la salida. Por ejemplo, dado un conjunto de coches. Tenemos que averiguar qué los rojos y cuáles azul.

Mientras, aprendizaje no supervisado es donde tenemos que encontrar la respuesta con una muy poca o sin ninguna idea acerca de cómo debe ser la salida. Por ejemplo, un alumno podría ser capaz de construir un modelo que detecta cuando la gente está sonriendo basan en la correlación de patrones faciales y palabras tales como "¿qué estás sonriendo?".

El aprendizaje supervisado puede etiquetar un elemento nuevo en una de las etiquetas entrenadas según el aprendizaje durante el entrenamiento.Debe proporcionar una gran cantidad de conjuntos de datos de entrenamiento, conjuntos de datos de validación y conjuntos de datos de prueba.Si proporciona, por ejemplo, vectores de imágenes de píxeles de dígitos junto con datos de entrenamiento con etiquetas, entonces puede identificar los números.

El aprendizaje no supervisado no requiere conjuntos de datos de entrenamiento.En el aprendizaje no supervisado, puede agrupar elementos en diferentes grupos según la diferencia en los vectores de entrada.Si proporciona vectores de imágenes de píxeles de dígitos y le pide que los clasifique en 10 categorías, puede hacerlo.Pero sí sabe cómo etiquetarlo ya que no le ha proporcionado etiquetas de capacitación.

Aprendizaje

Supervisado es básicamente donde usted tiene variables de entrada (x) y la variable de salida (y) y utiliza el algoritmo para aprender la función de mapeo desde la entrada hasta la salida. La razón por la que llamamos esto como supervisada se debe a que el algoritmo aprende de la formación de datos, el algoritmo iterativo hace predicciones sobre los datos de entrenamiento. Supervisado tienen dos tipos de clasificación y regresión. La clasificación es cuando la variable de salida es categoría como sí / no, verdadero / falso. La regresión es cuando la salida está valores reales como la altura de la persona, temperatura, etc.

aprendizaje no supervisado es donde tenemos sólo los datos de entrada (X) y no hay variables de salida. Esto se llama un aprendizaje no supervisado porque a diferencia de aprendizaje supervisado por encima de que no hay respuestas correctas y no hay maestro. Los algoritmos son abandonados a sus propios legados para descubrir y presentar la estructura interesantes de los datos.

Tipos de aprendizaje sin supervisión son la agrupación y asociación.

Aprendizaje Supervisado es básicamente una técnica en la que los datos de entrenamiento de la que aprende la máquina ya está etiquetada que se supone que un simple clasificador número par extraña en la que ya han clasificado los datos durante el entrenamiento. Por lo tanto, utiliza los datos de "marcado".

aprendizaje no supervisado por el contrario es una técnica en la cual la máquina por sí sola etiqueta los datos. O se puede decir que es el caso cuando la máquina aprende por sí mismo a partir de cero.

En simple aprendizaje supervisado es el tipo de problema de aprendizaje de máquina en el que tenemos algunas etiquetas y mediante el uso de etiquetas que nos implementar el algoritmo como la regresión y clasificación .Classification se aplica en nuestra producción es como en la forma de 0 o 1, verdadero / falso, sí / no. y la regresión se aplica cuando fuera poner un valor real de una casa de precio tan

no supervisada de aprendizaje es un tipo de problema de aprendizaje de máquina en la que no tenemos ninguna etiqueta significa que sólo tienen algunos datos, los datos no estructurados y tenemos que agrupar los datos (agrupamiento de datos) utilizando diversos algoritmo no supervisado

máquina de aprendizaje supervisado

"El proceso de aprendizaje a partir de un algoritmo de formación de datos y   predecir la salida. "

Precisión de salida predicho directamente proporcional a la formación de datos (longitud)

El aprendizaje supervisado es donde hay variables de entrada (x) (formación de conjuntos de datos) y una variable de salida (y) (prueba de conjuntos de datos) y utiliza un algoritmo para aprender la función de mapeo desde la entrada hasta la salida.

Y = f(X)

Los principales tipos:

Clasificación (discreta eje y)
predictivo (eje y continua)

Algoritmos:

algoritmos de clasificación:

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

Los algoritmos predictivos:

Nearest  neighbor  
Linear Regression,Multi Regression

Las áreas de aplicación:

La clasificación de mensajes de correo electrónico como spam
Clasificación de si el paciente tiene enfermedad o no
Reconocimiento de voz
Predecir el HR seleccionar candidato en particular o no
Predecir el precio de mercado de valores

Aprendizaje supervisado:

Un algoritmo de aprendizaje supervisado analiza los datos de entrenamiento y produce una función inferida, que puede usarse para mapear nuevos ejemplos.

Proporcionamos datos de entrenamiento y conocemos la salida correcta para una determinada entrada.
Conocemos la relación entre entrada y salida.

Categorías de problema:

Regresión: Predecir resultados dentro de una salida continua => asignar variables de entrada a alguna función continua.

Ejemplo:

Dada una imagen de una persona, predice su edad.

Clasificación: Predecir resultados en una salida discreta => asignar variables de entrada a categorías discretas

Ejemplo:

¿Este tumor es canceroso?

Aprendizaje sin supervisión:

El aprendizaje no supervisado aprende de datos de pruebas que no han sido etiquetados, clasificados o categorizados.El aprendizaje no supervisado identifica puntos en común en los datos y reacciona en función de la presencia o ausencia de dichos puntos en común en cada nuevo dato.

Podemos derivar esta estructura agrupando los datos en función de las relaciones entre las variables de los datos.
No hay comentarios basados en los resultados de la predicción.

Categorías de problema:

Agrupación: es la tarea de agrupar un conjunto de objetos de tal manera que los objetos en el mismo grupo (llamado grupo) sean más similares (en algún sentido) entre sí que a los de otros grupos (grupos)

Ejemplo:

Tome una colección de 1.000.000 de genes diferentes y encuentre una manera de agrupar automáticamente estos genes en grupos que de alguna manera sean similares o estén relacionados por diferentes variables, como la duración de la vida, la ubicación, las funciones, etc..

Los casos de uso populares se enumeran aquí.

¿Diferencia entre clasificación y agrupamiento en minería de datos?

Referencias:

Aprendizaje supervisado

Aprendizaje sin supervisión

aprendizaje automático de Coursera

hacia la ciencia de los datos

Aprendizaje supervisado

Aprendizaje sin supervisión

Ejemplo:

Aprendizaje supervisado:

Una bolsa con manzana
Una bolsa con naranja.

=> construir modelo
Una bolsa mixta de manzana y naranja.

=> Por favor clasifique

Aprendizaje sin supervisión:

Una bolsa mixta de manzana y naranja.

=> construir modelo
Otra mezcla

=> Por favor clasifique

En palabras sencillas .. :) Es mi entendimiento, no dude en corregir. aprendizaje supervisado es, sabemos lo que estamos prediciendo sobre la base de los datos proporcionados. Así que tenemos una columna en el conjunto de datos que debe ser predicado. aprendizaje no supervisado es, tratamos de extraer el significado del conjunto de datos proporcionado. No tenemos claridad sobre lo que se predijo. Así que la pregunta es por qué hacemos esto .. :) respuesta es - el resultado de aprendizaje no supervisado es grupos / grupos (datos similares entre sí). Así que si recibimos ningún dato nuevo a continuación, que asociamos con el cluster / grupo identificado y entender sus características.

Espero que le ayudará.

aprendizaje supervisado

aprendizaje supervisado es donde sabemos que la salida de la entrada bruta, es decir, los datos se etiqueta de forma que durante la formación del modelo de aprendizaje de máquina que va a entender lo que se necesita para detectar en la salida Dad, y se guiará el sistema durante la capacitación para detectar los objetos pre-etiquetados con este fundamento se detectará los objetos similares que hemos proporcionado en la formación.

A continuación, los algoritmos sabrán lo que es la estructura y el patrón de datos. El aprendizaje supervisado se utiliza para la clasificación

A modo de ejemplo, podemos tener un diferentes objetos cuyas formas son cuadrado, círculo, trianle nuestra tarea consiste en organizar los mismos tipos de formas el conjunto de datos etiquetados tienen todas las formas etiquetadas, y vamos a entrenar el modelo de aprendizaje de máquina en ese conjunto de datos, basada en la formación de dateset se iniciará la detección de las formas.

Un-aprendizaje supervisado

aprendizaje no supervisado es un aprendizaje sin guía en el que el resultado final no es conocida, se agrupan el conjunto de datos y se basa en propiedades similares del objeto que va a dividir los objetos en diferentes racimos y detectar los objetos.

Aquí algoritmos buscar los diferentes patrones en los datos en bruto, y en base a que va a agrupar los datos. aprendizaje supervisado por la ONU se utiliza para la agrupación.

A modo de ejemplo, podemos tener diferentes objetos de múltiples formas cuadrado, círculo, triángulo, lo que hará que los racimos en base a las propiedades del objeto, si un objeto tiene cuatro lados que lo considerará cuadrado, y si tiene tres lados del triángulo y si no hay partes que círculo, aquí el que los datos no se etiqueta, se aprenderán en sí para detectar las diferentes formas

Hay muchas respuestas ya que explican las diferencias de detalle. He encontrado estos gifs en Codeacademy y que a menudo ayudan a explicar las diferencias efectiva.

Aprendizaje Supervisado

Tenga en cuenta que las imágenes de entrenamiento tienen etiquetas aquí y que el modelo es aprender los nombres de las imágenes.

Aprendizaje No Supervisado

Tenga en cuenta que lo que se hace aquí es sólo de agrupamiento (clustering) y que el modelo no sabe nada acerca de cualquier imagen.

El aprendizaje automático es un campo en el que está tratando de hacer que la máquina para imitar el comportamiento humano.

tren de máquinas como una forma baby.The los seres humanos aprenden, identificar las características, reconocer patrones y entrenarse a sí mismo, igual que el de máquinas por la alimentación de datos con diferentes características. algoritmo máquina de identificar el patrón dentro de los datos y clasificarlos en una categoría particular.

máquina de aprendizaje ampliamente divide en dos categorías, bajo la supervisión y el aprendizaje no supervisado.

El aprendizaje supervisado es el concepto en el que tiene vector de entrada / datos con valor objetivo (de salida) correspondiente .Por otra parte aprendizaje no supervisado es el concepto en el que sólo tiene vectores de entrada / datos sin ningún valor objetivo correspondiente.

Un ejemplo de aprendizaje supervisado es el reconocimiento de dígitos manuscrita donde se tiene la imagen de dígitos con dígitos [0-9] correspondiente, y un ejemplo de aprendizaje no supervisado es agrupar los clientes por el comportamiento de compra.

Licenciado bajo: CC-BY-SA con atribución

No afiliado a StackOverflow