Qual è la differenza tra apprendimento supervisionato e apprendimento non supervisionato?

https://stackoverflow.com/questions/1832076

11-09-2019
|

Domanda

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

Soluzione

Dal momento che questa domanda molto semplice, sembra che ne vale la pena specificando quanto Machine Learning è di per sé.

Machine Learning è una classe di algoritmi, che è basato sui dati, vale a dire a differenza di algoritmi "normali" sono i dati che "dice" che cosa è la "buona risposta". Esempio: un algoritmo di apprendimento non-macchina ipotetica per il riconoscimento dei volti nelle immagini sarebbe cercare di definire ciò che un volto è (disco rotondo simil-pelle di colore, con zona buia dove ci si aspetta gli occhi, ecc). Un algoritmo di apprendimento automatico non sarebbe tale definizione codificata, ma avrebbe "learn-by-esempi": si mostra diverse immagini di volti e non-lati e con un buon algoritmo alla fine imparare ed essere in grado di prevedere se un invisibile immagine è un volto.

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

In una senza supervisione algoritmo tuoi esempi non sono etichettate , vale a dire non si dice nulla. Naturalmente, in questo caso lo stesso algoritmo non può "inventare" ciò che un volto è, ma può provare a i dati in gruppi diversi, ad esempio si può distinguere che le facce sono molto diverse da paesaggi, che sono molto diverse da cavalli.

Da un'altra risposta menziona (anche se, in modo non corretto): esistono forme "intermedie" di controllo, ossia semi-supervisionato e apprendimento attivo . Tecnicamente, questi sono metodi sorvegliati in cui v'è qualche modo "intelligente" per evitare un gran numero di esempi etichettati. In apprendimento attivo, lo stesso algoritmo decide quale cosa che si dovrebbe etichetta (ad esempio può essere abbastanza sicuro di un paesaggio e un cavallo, ma si potrebbe chiedere di confermare se un gorilla è infatti l'immagine di un volto). In apprendimento semi-supervisionato, ci sono due diversi algoritmi che iniziano con gli esempi etichettati, e quindi "raccontano" l'un l'altro il loro modo di pensare un po 'di gran numero di dati non etichettati. Da questa "discussione" che imparano.

Altri suggerimenti

con supervisore apprendimento è quando i dati che alimentano l'algoritmo con sta "tag" o "etichetta", per aiutare la vostra logica prendere decisioni.

Esempio:. Bayes filtraggio dello spam, in cui devi bandiera di un elemento come spam per raffinare i risultati

apprendimento non supervisionato sono tipi di algoritmi che cercano di trovare correlazioni senza input esterni diversi da quelli dei dati grezzi.

Esempio:. Algoritmi di data mining di clustering

supervisore apprendimento

Applicazioni in cui dati di addestramento comprende esempi di vettori di ingresso con le loro corrispondenti vettori del bersaglio sono noti come problemi di apprendimento supervisionato.

apprendimento non supervisionato

In altri problemi di pattern recognition, dati di addestramento è costituito da un insieme di vettori di ingresso x senza valori di riferimento corrispondenti. L'obiettivo in questo tipo di problemi di apprendimento non supervisionato potrebbe essere quello di scoprire gruppi di esempi simili all'interno dei dati, dove viene chiamato il clustering

Pattern Recognition e Machine Learning (Bishop, 2006)

In apprendimento supervisionato, il x ingresso è provvisto il y risultato atteso (cioè, l'uscita del modello dovrebbe produrre quando l'ingresso è x), che è spesso chiamato "classe" (o "etichetta") di il corrispondente x ingresso.

In apprendimento non supervisionato, la "classe" di un esempio x non è fornita. Così, apprendimento non supervisionato può essere pensato come trovare "struttura nascosta" nel set di dati senza etichetta.

Approcci per l'apprendimento supervisionato includono:

Classificazione (1R, Naive Bayes, algoritmo di apprendimento albero di decisione, come ad come ID3 CART, e così via)
Valore numerico Predizione

Approcci per apprendimento non supervisionato includono:

Clustering (K-means, clustering gerarchico)
Associazione regola di apprendimento

Per esempio, molto spesso la formazione di una rete neurale è apprendimento supervisionato:. Che stai dicendo la rete alla quale classe corrisponde il vettore funzione si sta alimentando

Il clustering è apprendimento non supervisionato:. Si lascia che l'algoritmo di decidere come i campioni di gruppo in classi che condividono proprietà comuni

Un altro esempio di apprendimento non supervisionato è sé di Kohonen organizzare mappe .

Vi posso dire un esempio.

Si supponga di dover riconoscere quale veicolo è una macchina e che uno è una moto.

supervisionato caso di apprendimento, il vostro ingresso (formazione) set di dati deve essere etichettato, cioè, per ogni elemento di input in ingresso (formazione) set di dati, è necessario specificare se rappresenta una macchina o di una moto.

senza supervisione caso di apprendimento, non si etichetta gli ingressi. Il modello senza sorveglianza raggruppa l'ingresso in cluster basato esempio su simili caratteristiche / proprietà. Quindi, in questo caso, non c'è sono etichette come "macchina".

Ho sempre trovato la distinzione tra incustodito e supervisionato imparare ad essere arbitraria e un po 'di confusione. Non v'è alcun reale distinzione tra i due casi, invece v'è una gamma di situazioni in cui un algoritmo può avere più o meno 'supervisione'. L'esistenza di apprendimento semi-supervisionato è un evidente esempi in cui è sfocata la linea.

Tendo a pensare di supervisione come dare un feedback per l'algoritmo su ciò che le soluzioni dovrebbero essere preferiti. Per un ambiente tradizionale supervisione, come ad esempio il rilevamento di spam, si raccontano l'algoritmo di "non commettere errori sul set di formazione" ; per un ambiente tradizionale senza supervisione, come ad esempio il clustering, si raccontano l'algoritmo di "punti che sono vicini gli uni agli altri dovrebbe essere nello stesso cluster" . Si dà il caso che, la prima forma di feedback è molto più preciso rispetto al secondo.

In breve, quando qualcuno dice 'supervisionato', pensa di classificazione, quando dicono 'senza sorveglianza' pensare clustering e cercare di non preoccuparsi troppo su di esso al di là di questo.

Apprendimento automatico: Esplora lo studio e la costruzione di algoritmi che possono imparare da e fare previsioni sugli algoritmi data.Such operano costruendo un modello dall'esempio input per fare previsioni basate sui dati o decisioni espresse come uscite, piuttosto che seguire le istruzioni dei programmi rigorosamente statiche.

apprendimento supervisionato: E 'il compito di apprendimento della macchina di inferire una funzione da data.The formazione etichettato dati di allenamento sono costituiti da una serie di esempi di addestramento. In apprendimento supervisionato, ogni esempio è una coppia costituita da un oggetto di input (tipicamente un vettore) ed un valore di uscita desiderato (chiamato anche il segnale di controllo). Un algoritmo di apprendimento supervisionato analizza i dati di formazione e produce una funzione dedotto, che può essere utilizzato per mappare nuovi esempi.

Il computer è presentato con esempi di ingressi e le loro uscite desiderate, dato da un "maestro", e l'obiettivo è quello di imparare una regola generale, che mappa gli ingressi a outputs.Specifically, un algoritmo di apprendimento supervisionato prende un insieme noto dei dati di input e le risposte noti ai dati (output), e treni un modello per generare previsioni ragionevoli di risposta ai nuovi dati.

apprendimento non supervisionato: Si sta imparando senza un insegnante. una base cosa che si potrebbe desiderare di fare con i dati è quello di visualizzarlo. E 'il compito di apprendimento della macchina di inferire una funzione di descrivere la struttura nascosta dai dati non etichettati. Dal momento che gli esempi forniti allo studente sono senza etichetta, non v'è alcun errore o una ricompensa di segnale per valutare una possibile soluzione. Questo distingue apprendimento non supervisionato da apprendimento supervisionato. apprendimento non supervisionato utilizza procedure che tentano di trovare partizioni naturali di modelli.

Con apprendimento non supervisionato non c'è alcun feedback sulla base dei risultati di previsione, cioè, non v'è nessun insegnante correggere you.Under i metodi di apprendimento Unsupervised vengono forniti esempi etichettati e non v'è alcuna nozione di uscita durante l'apprendimento processi. Di conseguenza, spetta allo schema di apprendimento / modello per trovare i modelli o scoprire i gruppi di dati di input

Si consiglia di utilizzare metodi di apprendimento non supervisionato quando avete bisogno di un grande quantità di dati per addestrare i vostri modelli, e la volontà e la capacità di sperimentare ed esplorare, e, naturalmente, una sfida che non sta bene risolto tramite più consolidata apprendimento non supervisionato methods.With è possibile apprendere modelli più grandi e più complessi che con la supervisione apprendimento. Qui è un buon esempio su di esso

con supervisore Learning

apprendimento supervisionato si basa sulla formazione di un campione di dati dalla sorgente di dati con la corretta classificazione già assegnato. Tali tecniche sono utilizzati in feedforward o multistrato Perceptron (MLP) modelli. Questi MLP ha tre distintivo Caratteristiche:

uno o più strati di neuroni nascosti che non fanno parte dell'ingresso o strati di uscita della rete che consentono la rete di apprendere e risolvere eventuali problemi complessi
La non linearità riflessa dell'attività neuronale è differenziabile e,
Il modello interconnessione della rete presenta un elevato grado di connettività.

Queste caratteristiche insieme con l'apprendimento attraverso la formazione risolvere i problemi difficili e diverse. L'apprendimento attraverso formazione in un modello ANN supervisionata anche chiamato come algoritmo di errore backpropagation. L'errore di correzione di apprendimento algoritmo allena la rete in base al input-output campioni e trova segnale di errore, che è la differenza di uscita calcolato e l'uscita desiderata e regola la pesi sinaptici dei neuroni che è proporzionale al prodotto del segnale di errore e l'istanza ingresso del peso sinaptico. Sulla base di questo principio, l'errore indietro apprendimento propagazione avviene in due passaggi:

Inoltra Passo:

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

all'indietro Passo:

Il segnale di errore che viene originata neurone uscita di tale strato si propaga all'indietro attraverso la rete. Questo calcola il gradiente locale per ogni neurone in ciascuno strato e consente ai pesi sinaptici della rete per subiscono cambiamenti secondo la regola delta come:

Δw(n) = η * δ(n) * y(n).

Questo calcolo ricorsivo è continuato, con passaggio in avanti seguita dal passaggio posteriore per ciascun pattern ingresso finché la rete è convergente.

custodita paradigma di apprendimento di un'ANN è efficiente e trova soluzioni a diversi problemi lineari e non lineari come classificazione, controllo dell'impianto, la previsione, la previsione, la robotica ecc.

non monitorato Learning

reti neurali auto-organizzanti imparano utilizzando l'algoritmo di apprendimento non supervisionato per identificare i modelli nascosti nei dati di input non etichettati. 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 in apprendimento non supervisionato può a volte essere vantaggioso, dal momento che consente l'algoritmo di guardare indietro per i modelli che non sono stati presi in considerazione in precedenza. Le caratteristiche principali di Self-Organizing Maps (SOM) sono:

Si trasforma un modello di segnale in ingresso di dimensione arbitraria in uno o 2 mappa tridimensionale ed eseguire questa trasformazione adattivo
La rete rappresenta struttura feedforward con una singola strato computazionale costituito da neuroni disposte in righe e colonne. In ogni fase di rappresentazione, ciascun segnale di ingresso è mantenuta nel suo contesto e,
I neuroni che si occupano di pezzi strettamente correlate di informazione sono vicine insieme e comunicano attraverso connessioni sinaptiche.

Lo strato computazionale è anche chiamato come strato competitivo poiché i neuroni nello strato concorrenza tra loro per diventare attivo. Quindi, questo algoritmo di apprendimento è chiamato algoritmo competitivo. algoritmo non supervisionato inSOM opere in tre fasi:

Fase di concorso:

per ogni x pattern di input, presentato alla rete, prodotto interno con w peso sinaptica è calcolato ei neuroni nello strato competitivo trova una funzione discriminante che inducono la concorrenza tra i neuroni e il vettore dei pesi sinaptica che si trova vicino all'ingresso vettore nella distanza euclidea è annunciato come vincitore del concorso. Questo neurone è chiamato migliore neurone corrispondente,

i.e. x = arg min ║x - w║.

fase Cooperativa:

neurone vincente determina il centro di una zona h topologica di neuroni cooperanti. Questa operazione viene eseguita dal d interazione laterale tra la neuroni cooperativa. Questo quartiere topologica riduce le sue dimensioni nel corso di un periodo di tempo.

fase Adaptive:

abilita il neurone vincente e suoi neuroni zonali per aumentare i loro singoli valori della funzione discriminante in relazione al modello di ingresso attraverso opportuni aggiustamenti di peso sinaptici,

 Δw = ηh(x)(x –w).

Al momento ripetuto presentazione dei modelli di formazione, i vettori di pesi sinaptici tendono a seguire la distribuzione dei modelli di input dovuti all'aggiornamento quartiere e quindi ANN impara senza supervisore.

Self-Organizing modello rappresenta naturalmente il comportamento neuro-biologico, e quindi viene utilizzato in molte applicazioni del mondo reale, come il clustering, il riconoscimento vocale, la consistenza di segmentazione, vettore di codifica ecc.

di riferimento.

con supervisore Learning : Tu dai dati di esempio variamente etichettate come input, insieme con le risposte corrette. Questo algoritmo imparare da esso, e iniziare a prevedere i risultati corretti in base agli ingressi successivi. Esempio : filtro antispam e-mail

non monitorato Learning : Devi solo dare dei dati e non dite niente - come etichette o le risposte corrette. Algoritmo analizza automaticamente i modelli nei dati. Esempio : Google News

Cercherò di mantenere le cose semplici.

apprendimento supervisionato: In questa tecnica di apprendimento, ci viene dato un set di dati e il sistema sa già la corretta uscita del set di dati. Così qui, il nostro sistema impara predicendo un valore a sé stante. Poi, si esegue un controllo di precisione utilizzando una funzione di costo per controllare quanto vicino la sua previsione era all'uscita effettiva.

apprendimento non supervisionato: In questo approccio, abbiamo poca o nessuna conoscenza di quello che sarebbe stato il nostro risultato. Così, invece, deriviamo la struttura dei dati in cui non conosciamo l'effetto di variabili. Facciamo struttura per il clustering dei dati in base alla relazione tra la variabile nei dati. Qui, non abbiamo una valutazione sulla base della nostra previsione.

apprendimento supervisionato, visti i dati con una risposta.

e-mail Data etichettati come spam / non spam, imparare un filtro anti-spam.

Dato un insieme di dati dei pazienti diagnosticati sia come avere il diabete o no, imparare a classificare i nuovi pazienti come avere il diabete o no.

apprendimento non supervisionato, visti i dati senza una risposta, lascia il pc alle cose del gruppo.

Dato un insieme di articoli di notizie trovate sul web, il gruppo in serie di articoli sulla stessa storia.

Dato un database di dati personalizzati, scoprire automaticamente segmenti di mercato e clienti del Gruppo in diversi segmenti di mercato.

Riferimento

con supervisore Learning

In questo, ogni modello di ingresso che viene utilizzato per addestrare la rete è associato con un modello di uscita, che è il bersaglio o desiderato modello. Un insegnante si presume essere presente durante l'apprendimento processo, quando viene fatto un confronto tra la rete calcolato uscita e l'uscita prevista corretto, per determinare l'errore. Il errore può quindi essere utilizzato per modificare i parametri di rete, che determinano un miglioramento delle prestazioni.

non monitorato Learning

In questo metodo di apprendimento, l'uscita di destinazione non è presentata al Rete. E 'come se non v'è nessun insegnante di presentare il desiderato modello e quindi, il sistema apprende proprio scoprendo e adattandosi alle caratteristiche strutturali nei pattern di ingresso.

supervisore apprendimento

Hai ingresso x e una t output di destinazione. Così ci si allena l'algoritmo di generalizzare le parti mancanti. Si è sorvegliata, perché il bersaglio è dato. Tu sei il supervisore dice l'algoritmo:! Per l'esempio x, si dovrebbe uscita t

apprendimento non supervisionato

Anche se la segmentazione, il clustering e la compressione di solito sono contati in questa direzione, ho un momento difficile a venire con una buona definizione per esso.

Diamo auto-encoder per la compressione come esempio. Mentre avete solo l'input X dato, è l'ingegnere umano come dice l'algoritmo che il bersaglio è anche x. Quindi, in un certo senso, questo non è diverso da apprendimento supervisionato.

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

apprendimento supervisionato: per esempio un bambino va a Kinder-giardino. qui insegnante gli mostra 3 giocattoli-casa, a sfera e auto. ora insegnante gli dà 10 giocattoli. li classificherà in 3 scatola di casa, palla e auto in base alla sua esperienza precedente. così ragazzo è stato supervisionato da insegnanti per ottenere risposte giuste per alcuni set. poi è stato testato su giocattoli sconosciuti.

apprendimento non supervisionato: nuovo asilo nido example.A bambino viene dato 10 giocattoli. gli viene detto di altri simili segmento. Quindi, sulla base caratteristiche come forma, dimensione, colore, funzione ecc cercherà di fare 3 gruppi dicono A, B, C e raggrupparli.

La parola Supervisionare significa che si stanno dando di supervisione / istruzioni per la macchina per aiutarla a trovare le risposte. Una volta che si impara le istruzioni, si può facilmente prevedere per il nuovo caso.

incustodito significa che non c'è sorveglianza o di istruzioni su come trovare le risposte / etichette e apparecchio utilizza la sua intelligenza per trovare qualche modello in nostri dati. Qui non farà previsione, sarà solo cercare di trovare cluster che ha dati simili.

apprendimento supervisionato: Hai etichettato dati e devono imparare da questo. per esempio dati di casa con prezzo e poi imparare a prevedere il prezzo

apprendimento non supervisionato: dovete trovare la tendenza e quindi prevedere, senza precedenti etichette date. persone per esempio diverse nella classe e poi una nuova persona viene così che cosa significa questo gruppo nuovo studente appartiene.

Nel con supervisore Learning sappiamo che cosa l'ingresso e l'uscita dovrebbe essere. Ad esempio, dato un insieme di auto. Dobbiamo scoprire quali quelli rossi e quali blu.

considerando che, apprendimento non supervisionato è dove dobbiamo trovare la risposta con un poco o senza alcuna idea di come l'uscita dovrebbe essere. Ad esempio, uno studente potrebbe essere in grado di costruire un modello che rileva quando le persone sorridono basano sulla correlazione di modelli facciali e parole come "che cosa stai sorridendo?".

apprendimento supervisionato può etichettare un nuovo elemento in una delle etichette addestrati sulla base di apprendimento durante l'allenamento. È necessario fornire un gran numero di set di dati di training, insieme di dati di validazione e set di dati di test. Se si forniscono dire vettori di immagine di pixel di cifre insieme ai dati di allenamento con le etichette, quindi in grado di identificare i numeri.

apprendimento non supervisionato non richiede insiemi di dati di addestramento. In apprendimento non supervisionato può raggruppare gli elementi in diversi cluster in base alla differenza nei vettori di ingresso. Se si forniscono pixel vettori di immagine di cifre e chiedere a classificarli in 10 categorie, è possibile farlo. Ma non sa come etichette come non avete fornito le etichette di formazione.

Learning

con supervisore è fondamentalmente in cui si dispone di variabili di input (x) e variabile di uscita (y) e si utilizza l'algoritmo per imparare la funzione di mappatura tra ingresso e uscita. Il motivo per cui abbiamo chiamato questo come supervisionato è perché l'algoritmo apprende dal set di dati di formazione, l'algoritmo iterativo fa previsioni sui dati di addestramento. Sorvegliata hanno due tipi di classificazione e regressione. La classificazione è quando la variabile di uscita è categoria come sì / no, vero / falso. La regressione è quando l'uscita è valori reali come l'altezza della persona, temperatura, ecc.

apprendimento non supervisionato è dove abbiamo solo i dati in ingresso (x) e senza variabili di uscita. Questo viene chiamato un apprendimento non supervisionato perché a differenza di apprendimento supervisionato sopra non ci sono risposte corrette e non v'è nessun insegnante. Gli algoritmi sono abbandonati a se stessi escogita per scoprire e presentare la struttura interessante nei dati.

Tipi di apprendimento non supervisionato sono il clustering e di associazione.

apprendimento supervisionato è fondamentalmente una tecnica in cui i dati di addestramento da cui la macchina impara rechino già sull'etichetta che si supponga che un semplice numero di classificatore, anche dispari in cui è stato già classificato i dati durante l'allenamento. Quindi utilizza "etichetta" di dati.

apprendimento non supervisionato, al contrario, è una tecnica in cui la macchina da solo etichette dei dati. Oppure si può dire che è il caso in cui la macchina viene a sapere di per sé da zero.

In Semplice con supervisore apprendimento è il tipo di problema di apprendimento macchina in cui abbiamo alcune etichette e utilizzando le etichette che implementano l'algoritmo, come la regressione e la classificazione .Classification è applicato dove la nostra produzione è come sotto forma di 0 o 1, vero / falso, sì / no. e di regressione in cui viene applicato il mettere un valore reale di una tale casa del prezzo

non monitorato Learning è un tipo di problema di apprendimento macchina in cui non abbiamo alcuna etichetta significa che avere solo alcuni dati, dati non strutturati e dobbiamo raggruppare i dati (raggruppamento di dati) usando vari algoritmo non supervisionato

macchina con supervisore apprendimento

"Il processo di un algoritmo di apprendimento da dati di addestramento e   prevedere l'uscita. "

Precisione dell'uscita prevista direttamente proporzionale ai dati di addestramento (lunghezza)

apprendimento supervisionato è dove si hanno variabili di input (x) (formazione del set di dati) e una variabile di uscita (Y) (test set di dati) e si utilizza un algoritmo per imparare la funzione di mappatura dall'ingresso all'uscita.

Y = f(X)

tipi principali:

La classificazione (discreta asse y)
Predictive (continuo asse y)

Algoritmi:

algoritmi di classificazione:

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

predittivi Algoritmi:

Nearest  neighbor  
Linear Regression,Multi Regression

Campi di applicazione:

Classificare le email come spam
Classificare se paziente ha malattia o no
Riconoscimento vocale
Indovina il HR selezionare determinato candidato o no
Indovina il prezzo delle azioni di mercato

Apprendimento supervisionato:

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

Forniamo dati di addestramento e conosciamo l'output corretto per un determinato input
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:

Data l'immagine di una persona, prevedere la sua età

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

Esempio:

Questo tumore è canceroso?

Apprendimento non supervisionato:

L'apprendimento non supervisionato apprende dai dati dei test che non sono stati etichettati, classificati o categorizzati.L'apprendimento non supervisionato identifica i punti comuni nei dati e reagisce in base alla presenza o all'assenza di tali punti comuni in ogni nuovo dato.

Possiamo derivare questa struttura raggruppando i dati in base alle relazioni tra le variabili nei dati.
Non c'è feedback basato sui risultati della previsione.

Categorie di problemi:

Raggruppamento: 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 raggrupparli automaticamente 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:

Apprendimento_supervisionato

Apprendimento_non supervisionato

apprendimento automatico da Coursera

verso la scienza dei dati

con supervisore Learning

non monitorato Learning

Esempio:

apprendimento supervisionato:

Un sacchetto con la mela
Un sacchetto con arancia

=> modello di costruzione
Un miscuglio di mela e arancia.

=> Si prega di classificare

apprendimento non supervisionato:

Un miscuglio di mela e arancia.

=> modello di costruzione
Un altro sacchetto misto

=> Si prega di classificare

In parole semplici .. :) E 'la mia comprensione, sentitevi liberi di correggere. con supervisore apprendimento , sappiamo quello che stiamo predicendo sulla base dei dati forniti. Così abbiamo una colonna nel set di dati che deve essere predicato. apprendimento non supervisionato si, cerchiamo di estrarre senso dal set di dati fornito. Non abbiamo chiarezza su cosa essere previsto. Allora domanda è: perché facciamo questo .. :) La risposta è -? Il risultato di apprendimento non supervisionato è gruppi / cluster (dati simili insieme). Quindi, se riceviamo tutti i nuovi dati poi ci associamo che con il cluster / gruppo identificato e capire le sue caratteristiche.

Spero che vi aiuterà.

sorvegliato apprendimento

supervisionato apprendimento è dove sappiamo che l'uscita dell'ingresso grezzo, cioè i dati è etichettato in modo che durante la formazione del modello di apprendimento macchina sarà capire che cosa hanno bisogno per rilevare nell'output dare, e guiderà il sistema durante la formazione di rilevare gli oggetti pre-etichettati su questa base è in grado di rilevare gli oggetti simili che abbiamo fornito in allenamento.

Ecco gli algoritmi sapranno qual è la struttura e il modello di dati. l'apprendimento supervisionato viene utilizzato per la classificazione

A titolo di esempio, possiamo avere un diverso oggetti le cui forme sono quadrato, cerchio, trianle il nostro compito è quello di organizzare gli stessi tipi di forme il set di dati etichettati hanno tutte le forme etichettate, e ci si allenerà il modello di apprendimento automatico su quel set di dati, sulla base della formazione dateset inizierà rilevare le forme.

Un-supervisionato l'apprendimento

apprendimento supervisionato è un apprendimento senza guida in cui il risultato finale non è noto, esso raggruppare il set di dati e basata su proprietà simili dell'oggetto dividerà gli oggetti differenti grappoli e rilevare gli oggetti.

Qui algoritmi cercare il modello diverso nei dati grezzi, e sulla base di che sarà raggruppare i dati. Un-apprendimento supervisionato viene utilizzato per il clustering.

Come esempio, si possono avere diversi oggetti di molteplici forme quadrate, cerchio, triangolo, quindi procede ai grappoli in base alle proprietà dell'oggetto, se un oggetto ha quattro lati si considererà quadrato, e se ha tre lati triangolo e se nessuna lati di cerchio, qui il i dati non è etichettato, sarà imparare stesso per rilevare le varie forme

Ci sono molte risposte già che spiegano le differenze nel dettaglio. Ho trovato questi gif su Codecademy e spesso aiutarmi a spiegare le differenze in modo efficace.

supervisore Learning

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

Unsupervised Learning

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

Apprendimento automatico è un campo in cui si sta tentando di fare la macchina per imitare il comportamento umano.

Ti alleni macchina proprio come un modo baby.The gli esseri umani imparano, identificare le caratteristiche, riconoscere i modelli e allenarsi, allo stesso modo si treno di macchine alimentando dati con varie caratteristiche. Algoritmo macchina identificare il modello all'interno dei dati e classificare in particolare categoria.

macchina di apprendimento sostanzialmente divisa in due categorie, sotto la supervisione e l'apprendimento non supervisionato.

apprendimento supervisionato è il concetto in cui si dispone di vettore d'ingresso / dati con valore obiettivo (output) corrispondente .On l'apprendimento non supervisionato altra parte è il concetto cui si hanno solo vettori di ingresso / dati senza alcun valore obiettivo corrispondente.

Un esempio di apprendimento supervisionato è scritto a mano riconoscimento cifre in cui si dispone di un'immagine di cifre con le corrispondenti cifre [0-9], e un esempio di apprendimento non supervisionato è raggruppando i clienti con l'acquisto di comportamento.

Autorizzato sotto: CC-BY-SA insieme a attribuzione

Non affiliato a StackOverflow