教師あり学習と教師なし学習の違いは何ですか?
質問
人工知能と機械学習の観点から見ると、教師あり学習と教師なし学習の違いは何ですか?例を挙げて基本的で簡単な説明をしていただけますか?
解決
、それが見えます。
機械学習は、すなわち「正常な」アルゴリズムとは異なり、それは「良い答えは」あるもの「伝える」というデータで、データ駆動型であるアルゴリズムのクラスです。例:画像中の顔検出のための仮想的な非機械学習アルゴリズムは、(あなたが目などを期待して暗い領域で、丸い皮膚のような色のディスクを)顔が何であるかを定義しようとするだろう。機械学習アルゴリズムは、このようなコード化された定義がないだろうが、「学ぶバイ例」になります。あなたは顔ではなく、顔の複数の画像を紹介し、優れたアルゴリズムは、最終的に学習し、目に見えないかどうかを予測することができるようになります画像が顔である。
顔検出のこの特定の例では、 に監視され、あなたの例では、ののラベル付けされなければならないことを意味し、または明示的に顔であり、どれがされていないものを言います。
あなたの例では、のの標識されていないの教師なしのアルゴリズム、すなわち、あなたは何も言うことはありません。もちろん、そのような場合には、アルゴリズム自体は顔が何であるかを「発明する」ことはできませんが、それはクラスタに試すことができます異なるグループ、例えばにデータををそれは顔が馬から非常に異なっている風景、非常に異なっていることを識別することができる。
別の答えが(誤った方法で、しかし)それを言及しているので:監督の「中間」形態、すなわち、の半教師付きと能動学習するは存在します。技術的には、これらの方法を指導しているラベルされた例が多数を避けるために、いくつかの「スマート」な方法があります。能動学習では、アルゴリズム自体はあなたがラベルべき事を決定する(例えば、それは風景や馬についてかなり確認することができますが、それはゴリラが実際に顔の絵であるかどうかを確認するよう依頼することがあります)。半教師あり学習では、ラベルされた例で始まり、その後、お互いに、彼らはラベルなしデータのいくつかの大規模な数についての考え方を「伝える」とは、2つの異なるアルゴリズムがあります。この「議論」から、彼らは学びます。
他のヒント
教師あり学習 ロジックが意思決定を行えるようにするために、アルゴリズムに供給するデータに「タグ付け」または「ラベル付け」が行われることです。
例:ベイズ スパム フィルタリングでは、結果を絞り込むためにアイテムにスパムとしてフラグを立てる必要があります。
教師なし学習 は、生データ以外の外部入力なしで相関関係を見つけようとするアルゴリズムのタイプです。
例:データマイニングクラスタリングアルゴリズム。
教師付き学習
訓練データは、それらの対応する標的ベクターと共に、入力ベクトルの例は、教師付き学習問題として知られている備えたアプリケーション
教師なし学習
他のパターン認識問題では、訓練データは、任意の対応する目標値なし入力ベクトルxの集合から成ります。このよう教師なし学習の問題における目標は、それがクラスタリングと呼ばれているデータを、内部に同様の例のグループを発見することであってもよい。
パターン認識と機械学習(ビショップ、2006)。
教師あり学習では、入力は x
期待される結果が提供されます y
(つまり、入力が次の場合にモデルが生成するはずの出力 x
)、これは対応する入力の「クラス」(または「ラベル」) と呼ばれることがよくあります。 x
.
教師なし学習では、例の「クラス」 x
は提供されていません。したがって、教師なし学習は、ラベルのないデータセット内の「隠れた構造」を見つけることと考えることができます。
教師あり学習へのアプローチには次のものがあります。
分類(1R、ナイーブベイズ、ID3カートなどの決定ツリー学習アルゴリズムなど)
数値予測
教師なし学習へのアプローチには次のものがあります。
クラスタリング (K 平均法、階層的クラスタリング)
アソシエーションルールの学習
たとえば、非常に多くの場合、ニューラルネットワークを訓練することは、教師あり学習です:あなたは、クラスを使用すると、給紙している特徴ベクトルに対応するネットワークを言っている。
。クラスタリングは教師なし学習です:あなたは、アルゴリズムは、共通のプロパティを共有クラスにグループのサンプルにどのように決めてみましょう。
。教師なし学習の別の例は、 Kohonenの自己組織化マップのです。
一例をお話します。
どの乗り物が車で、どちらがオートバイであるかを認識する必要があるとします。
の中に 監督された 学習ケースでは、入力 (トレーニング) データセットにラベルを付ける必要があります。つまり、入力 (トレーニング) データセット内の入力要素ごとに、それが車を表すかオートバイを表すかを指定する必要があります。
の中に 監督されない 学習ケースでは、入力にラベルを付けません。教師なしモデルは、入力をクラスターに基づいてクラスター化します。同様の機能/プロパティについて。したがって、この場合、「車」などのラベルはありません。
私はいつも教師なしの区別を発見し、任意と少し混乱することを学ぶ指導しています。 2例の間には本当の区別は代わりに、アルゴリズムは、多かれ少なかれ「監督」を持つことができている状況の範囲がある、ありません。半教師あり学習の存在は、線がぼやけている明らかな例である。
私は解決策を優先すべきかについてのアルゴリズムにフィードバックを与えるような監督と考える傾向にあります。こうしたスパム検出などの伝統的な教師の設定については、のの「トレーニングセット上の任意のミスをしない」アルゴリズムを伝えます。クラスタリングなどの伝統的な教師なし設定のために、あなたはアルゴリズムを教えてのの「接近しているポイントは、同じクラスタにする必要があります」。ちょうどので、フィードバックの最初の形式が後者よりも多くの固有である、ということが起こるます。
要するに、誰かが「監督」と言ったとき、彼らは「教師なし」と言う分類は、クラスタリング考え、それを超えて、それについてはあまり気にしないようにしてください。
だと思います機械学習: データから学習してデータを予測できるアルゴリズムの研究と構築を検討します。このようなアルゴリズムは、厳密に静的なプログラム命令に従うのではなく、データ駆動型の予測や決定を出力として表現するために、入力例からモデルを構築することによって動作します。
教師あり学習: これは、ラベル付けされたトレーニング データから関数を推論する機械学習タスクです。トレーニング データは、一連のトレーニング サンプルで構成されます。教師あり学習では、各サンプルは、入力オブジェクト (通常はベクトル) と目的の出力値 (監視信号とも呼ばれます) で構成されるペアです。教師あり学習アルゴリズムはトレーニング データを分析し、新しい例のマッピングに使用できる推論関数を生成します。
コンピューターには、「教師」によって入力例とその望ましい出力が提示され、目的は入力を出力にマッピングする一般的な規則を学習することです。具体的には、教師あり学習アルゴリズムは既知の入力データと既知の応答のセットを受け取ります。データ (出力) を分析し、新しいデータへの応答について合理的な予測を生成するようにモデルをトレーニングします。
教師なし学習: それは教師なしで学ぶことです。データでやりたいと思うかもしれない基本的なことの1つは、それを視覚化することです。これは、ラベルのないデータから隠れた構造を記述する関数を推論する機械学習タスクです。学習者に与えられる例にはラベルが付けられていないため、潜在的な解決策を評価するためのエラーや報酬シグナルはありません。これにより、教師なし学習と教師あり学習が区別されます。監視されていない学習は、パターンの自然なパーティションを見つけようとする手順を使用します。
教師なし学習では、予測結果に基づくフィードバックはありません。つまり、修正してくれる教師はいません。教師なし学習方法では、ラベル付きの例は提供されず、学習プロセス中の出力の概念もありません。その結果、パターンを見つけたり入力データのグループを発見したりするのは学習スキーム/モデル次第です。
モデルをトレーニングするために大量のデータが必要な場合は、監視されていない学習方法、実験と探索の意欲と能力、そしてもちろん、より確立された方法でうまく解決されない課題を使用する必要があります。監督された学習よりも、より大きく複雑なモデルを学ぶことができます。ここ それはその良い例です
.
教師あり学習
監視された学習は、正しい分類が既に割り当てられているデータソースからのデータサンプルのトレーニングに基づいています。このような技術は、フィードフォワードまたは多層パーセプトロン(MLP)モデルで利用されます。これらのMLPには3つの特徴的な特性があります。
- ネットワークが複雑な問題を学習して解決できるようにするネットワークの入力または出力層の一部ではない隠されたニューロンの1つ以上の層
- ニューロン活動に反映される非線形性は微分可能であり、
- ネットワークの相互接続モデルは、高度な接続性を示します。
これらの特性は、トレーニングによる学習とともに、困難で多様な問題を解決します。エラーバックプロパゲーションアルゴリズムとも呼ばれる、監視されたANNモデルでのトレーニングを通じて学習します。エラー修正学習アルゴリズムは、入出力サンプルに基づいてネットワークをトレーニングし、エラー信号を見つけます。これは、計算された出力と目的の出力の差であり、エラーの積に比例するニューロンのシナプス重みを調整しますシナプス重量の信号と入力インスタンス。この原則に基づいて、エラーバック伝播学習は2つのパスで発生します。
フォワードパス:
ここで、入力ベクトルがネットワークに提示されます。この入力信号は、ネットワークを介してニューロンによってニューロンによってニューロンによって伝播され、出力信号としてネットワークの出力端に現れます。 y(n) = φ(v(n))
どこ v(n)
は次のように定義されるニューロンの誘導局所場です。 v(n) =Σ w(n)y(n).
出力層 o(n) で計算された出力は、目的の応答と比較されます。 d(n)
そしてエラーを見つけます e(n)
そのニューロンのために。このパス中のネットワークのシナプスの重みは同じままです。
バックワードパス:
その層の出力ニューロンで発生したエラー信号は、ネットワークを通じて逆方向に伝播します。これにより、各層の各ニューロンのローカル勾配が計算され、ネットワークのシナプスの重みが次のようなデルタ ルールに従って変更されるようになります。
Δw(n) = η * δ(n) * y(n).
この再帰的計算は、ネットワークが収束するまで、入力パターンごとに順方向パスとそれに続く逆方向パスで継続されます。
ANN の教師あり学習パラダイムは効率的で、分類、プラント制御、予測、予測、ロボット工学など、いくつかの線形および非線形問題に対する解決策を見つけます。
教師なし学習
自己組織化ニューラル ネットワークは、教師なし学習アルゴリズムを使用して学習し、ラベルなしの入力データ内の隠れたパターンを特定します。この教師なしとは、潜在的な解決策を評価するためのエラー信号を提供せずに情報を学習および整理する能力を指します。教師なし学習における学習アルゴリズムの方向性の欠如は、アルゴリズムがこれまで考慮されていなかったパターンを振り返ることができるため、有利な場合があります。自己組織化マップ (SOM) の主な特徴は次のとおりです。
- 任意の次元の着信信号パターンを1つまたは2次元マップに変換し、この変換を適応的に実行します
- ネットワークは、行と列に配置されたニューロンで構成される単一の計算層を持つフィードフォワード構造を表します。表現の各段階で、各入力信号は適切なコンテキストに保持され、
- 密接に関連する情報を扱うニューロンは互いに近づき、シナプス接続を通じて通信します。
計算層は、層内のニューロンが互いに競合して活動するため、競合層とも呼ばれます。したがって、この学習アルゴリズムは競合アルゴリズムと呼ばれます。SOMの監視されていないアルゴリズムは、3つのフェーズで機能します。
競争フェーズ:
入力パターンごとに x
, 、ネットワークに提示、シナプス重みを伴う内積 w
が計算され、競合層のニューロンはニューロン間の競争を引き起こす判別関数を見つけ、ユークリッド距離で入力ベクトルに近いシナプス重みベクトルが競争の勝者として発表されます。そのニューロンはベストマッチニューロンと呼ばれ、
i.e. x = arg min ║x - w║.
協力フェーズ:
勝ったニューロンが位相的近傍の中心を決定します h
協力するニューロンの数。これは横方向の相互作用によって実行されます d
協同ニューロンの中で。このトポロジカルな近傍は、時間の経過とともにサイズが減少します。
適応フェーズ:
勝利ニューロンとその近隣ニューロンは、適切なシナプス重量調整を介して入力パターンに関連して判別関数の個々の値を増やすことができます。
Δw = ηh(x)(x –w).
トレーニング パターンを繰り返し提示すると、シナプス重みベクトルは近傍更新により入力パターンの分布に従う傾向があるため、ANN はスーパーバイザーなしで学習します。
自己組織化モデルは神経生物学的挙動を自然に表現するため、クラスタリング、音声認識、テクスチャ セグメンテーション、ベクトル コーディングなどの多くの実世界のアプリケーションで使用されます。
教師あり学習:さまざまなラベルが付けられたサンプル データを入力として、正解とともに与えます。このアルゴリズムはそこから学習し、その後の入力に基づいて正しい結果の予測を開始します。 例:電子メールスパムフィルター
教師なし学習:データを与えるだけで、ラベルや正解などは何も伝えません。アルゴリズムはデータ内のパターンを自動的に分析します。 例:グーグルニュース
シンプルにしてみます。
教師あり学習: この学習手法では、データセットが与えられ、システムはデータセットの正しい出力をすでに知っています。したがって、ここでは、私たちのシステムはそれ自体の値を予測することによって学習します。次に、コスト関数を使用して精度チェックを実行し、予測が実際の出力にどの程度近かったかを確認します。
教師なし学習: このアプローチでは、結果がどうなるかについてはほとんど、またはまったくわかりません。そこで代わりに、変数の影響がわからないデータから構造を導き出します。データ内の変数間の関係に基づいてデータをクラスタリングすることで構造を作成します。ここでは、予測に基づくフィードバックはありません。
答えのあるデータが与えられた場合の教師あり学習。
スパム/スパムではないというラベルが付けられた電子メールを想定して、スパム フィルターについて学習します。
糖尿病であるかどうかのいずれかであると診断された患者のデータセットが与えられた場合、新しい患者を糖尿病であるかどうかに分類する方法を学習します。
教師なし学習では、答えのないデータが与えられ、PC に物事をグループ化させます。
ウェブ上で見つかった一連のニュース記事を指定して、同じ記事に関する一連の記事にグループ化します。
カスタム データのデータベースがあれば、自動的に市場セグメントを検出し、顧客をさまざまな市場セグメントにグループ化します。
の の教師あり学習のの
これは、ネットワークを訓練するために使用されるすべての入力パターンであります 標的または所望される出力パターンに関連 パターン。教師は学習の中に存在すると仮定されます 比較は、ネットワークの計算されたとの間で行われるプロセス、 出力と正しい期待される出力は、誤差を決定します。ザ・ エラーは、その後につながるネットワークパラメータを変更するために使用することができます 性能の改善ます。
の の教師なし学習のの
この学習方法では、目標出力がに提示されていません 通信網。所望提示するいかなる教師が存在しないかのようにそれは したがってパターンと、システムは、発見によって、独自の学習します 入力パターンに構造的特徴に適応ます。
教師付き学習
あなたは、入力xと目標出力トンを持っています。だから、足りない部分に一般化するアルゴリズムを訓練します。ターゲットが指定されているので、それは教師です。あなたは、アルゴリズムを語っ監督です!例えば、Xについて、あなたのすべき出力トン
教師なし学習
セグメンテーション、クラスタリングや圧縮は通常、この方向にカウントされますが、、私はそれのために良い定義を考え出すのに苦労しています。
とクラスタリングとセグメンテーションのために、私はそれが本当に(他の質問を参照してください機械学習の定義に適合している場合、あまりにもわからないんだけどに)。
教師付き学習: 子供がキンダーガーデンをするために行くと言います。ここで先生は彼に3件のおもちゃハウス、ボールと車を示しています。今の先生は彼に10件のおもちゃを与えます。 彼は以前の経験に基づいて、3家の箱、ボールと車の中でそれらを分類します。 その子供は、最初の数セットのために正しい答えを得るために教師が監修しました。それから彼は、未知のおもちゃで試験しました。 の
教師なし学習: 再び幼稚園example.Aの子供は10件のおもちゃを与えられています。彼は、セグメントと同様のものに語られています。 そう、彼は3基はA、B、Cおよびグループにそれらを言う作るしようとする形状、大きさ、色、機能等のような機能に基づきます。 の
言葉が監督あなたはそれが答えを見つけるのを助けるためにマシンに監督/指示を与えていることを意味します。それは指示を学習したら、それは簡単に新しいケースのために予測することができます。
監視なしには答え/ラベルを見つけるために、マシンは私たちのデータではいくつかのパターンを見つけるために、その知性をどのように使用するか全く監督や指示がないことを意味します。ここでは、予測をすることはありません、それだけで同様のデータを持つクラスタを見つけようとします。
教師あり学習:あなたはデータを標識し、そこから学ばなければならないしています。価格と一緒に例えば社内データとし、
価格を予測することを学びます教師なし学習:あなたはトレンドを検索し、予測する必要があり、事前のラベルが与えられていません。 その後、例えば別のクラスの人々と新しい人はそう何グループ、この新しい学生が所属ん。
来ますでの教師あり学習の我々は、入力と出力がどうあるべきかを知っています。例えば、車のセットを与えられました。私たちは、どれ赤と青のどれを見つける必要があります。
の学習の教師なし、一方我々は非常に少ないか、出力がどうあるべきかについてどんな考えなしに答えを見つけなければならないところです。例えば、学習者は、人々は、このような「あなたがについて何を笑っている?」などの顔のパターンや単語の相関関係に基づいて笑っているときを検出するモデルを構築することができるかもしれません。
教師付き学習は、トレーニング中に学習に基づいて訓練されたラベルの1つに、新しいアイテムにラベルを付けることができます。あなたは、トレーニングデータセット、検証データセットとテストデータセットを多数提供する必要があります。あなたがラベル付き訓練データと一緒に数字のピクセル画像ベクトルを言って提供する場合、それは番号を識別することができます。
教師なし学習は、トレーニングデータセットを必要としません。教師なし学習では、それは、入力ベクトルの違いに異なるクラスターにグループ化項目に基づくことができます。あなたは数字のピクセル画像ベクトルを提供し、10個のカテゴリーに分類することを依頼した場合、それはそれを行うことができます。しかし、それはあなたが訓練のラベルを提供していないとして、それをラベルする方法を知っているんます。
教師付き学習は、基本的です。アルゴリズムは、トレーニングデータセットから学習するので、我々は教師としてこれを呼ばれる理由は、アルゴリズムを反復トレーニングデータの予測を行っています。 教師は2種類、分類および回帰を持っています。 出力変数は、カテゴリのようにはい/いいえ、真/偽の場合の分類です。 出力は、人の高さ、温度などのような実数値であるときの回帰です。
我々は唯一の入力データ(X)と無出力変数を持っている。ここで、UNは教師あり学習です。 上記教師付き学習とは異なり全く正しい答えはありませんし、何の先生がないので、これは教師なし学習と呼ばれています。アルゴリズムが発見したデータで興味深い構造を提示するために、独自の工夫に委ねられている。
教師なし学習の種類は、クラスタリングと協会です。
教師あり学習は基本的にはすでにトレーニング中にデータを分類しているシンプルでも奇数の分類器を想定しているマシンが学習そこから学習データがすでにラベル付けされている技術です。したがって、それは「標識された」データを使用します。
逆に教師なし学習は、それ自体で、マシンがデータをラベルする技術です。マシンは最初からそれ自体で学ぶ場合、またはあなたがそのケースを言うことができます。
シンプルに 教師あり学習 いくつかのラベルがある機械学習の問題であり、そのラベルを使用することにより、回帰や分類などのアルゴリズムを実装します。分類は、出力が0または1、true/false、yes/noの形のようなものである場合に適用されます。そして回帰は、価格の家などの実際の価値を出力する場合に適用されます。
教師なし学習 これは機械学習の問題の一種であり、ラベルが存在しないということは、非構造化データのみが存在し、さまざまな教師なしアルゴリズムを使用してデータをクラスタリング (データのグループ化) する必要があることを意味します。
教師あり機械学習
「トレーニングデータセットから学習し、出力を予測するアルゴリズムのプロセス。」
予測出力の精度はトレーニング データ (長さ) に正比例します。
教師あり学習では、入力変数 (x) (トレーニング データセット) と出力変数 (Y) (テスト データセット) があり、アルゴリズムを使用して入力から出力へのマッピング関数を学習します。
Y = f(X)
主な種類:
- 分類 (離散 Y 軸)
- 予測 (連続 Y 軸)
アルゴリズム:
分類アルゴリズム:
Neural Networks Naïve Bayes classifiers Fisher linear discriminant KNN Decision Tree Super Vector Machines
予測アルゴリズム:
Nearest neighbor Linear Regression,Multi Regression
応用分野:
- メールをスパムとして分類する
- 患者に病気があるかどうかを分類します
音声認識
人事が特定の候補者を選択するかどうかを予測する
株式市場の価格を予測する
教師あり学習:
教師あり学習アルゴリズムはトレーニング データを分析し、新しい例のマッピングに使用できる推論関数を生成します。
- 私たちはトレーニング データを提供し、特定の入力に対する正しい出力を知っています。
- インプットとアウトプットの関係が分かる
問題のカテゴリ:
回帰: 連続出力内の結果を予測 => 入力変数を連続関数にマッピングします。
例:
人の写真を見て、その人の年齢を予測します
分類: 離散出力の結果を予測 => 入力変数を離散カテゴリにマッピング
例:
この腫瘍は癌なのでしょうか?
教師なし学習:
教師なし学習は、ラベル付け、分類、分類されていないテスト データから学習します。教師なし学習はデータ内の共通点を特定し、新しいデータのそれぞれにそのような共通点が存在するかどうかに基づいて反応します。
データ内の変数間の関係に基づいてデータをクラスタリングすることで、この構造を導き出すことができます。
予測結果に基づくフィードバックはありません。
問題のカテゴリ:
クラスタリング: 同じグループ (クラスターと呼ばれる) 内のオブジェクトが、他のグループ (クラスター) 内のオブジェクトよりも (ある意味で) より類似するように、オブジェクトのセットをグループ化するタスクです。
例:
1,000,000 個の異なる遺伝子のコレクションを取得し、これらの遺伝子を何らかの形で類似しているグループ、または寿命、位置、役割などの異なる変数によって関連するグループに自動的にグループ化する方法を見つけます。.
一般的な使用例はここにリストされています。
データマイニングにおける分類とクラスタリングの違いは何ですか?
参考文献:
簡単な言葉で言うと..:) これは私の理解ですので、自由に修正してください。教師あり学習 つまり、提供されたデータに基づいて何を予測しているのかがわかります。したがって、データセットには述語が必要な列があります。教師なし学習 つまり、提供されたデータセットから意味を抽出しようとします。何が予測されるのかは明確ではありません。では、なぜこれを行うのかということが問題です...:) 答えは、教師なし学習の結果はグループ/クラスター (類似したデータをまとめたもの) です。したがって、新しいデータを受信した場合は、それを識別されたクラスター/グループに関連付けて、その特徴を理解します。
お役に立てれば幸いです。
タグ教師あり学習
私たちは生の入力の出力を知っている機械学習モデルのトレーニング中にそれが所与の出力で検出するのに必要なものを理解し、それが中にシステムを案内するように、データが標識されている。すなわち学習は、ある監督それは我々が訓練中に提供した同様のオブジェクトを検出しますそれに基づいて予め標識物体を検出するための訓練ます。
ここでのアルゴリズムは、データの構造やパターンだか知っているだろう。教師付き学習が分類のために使用されている。
例として、我々は、その形状正方形である、円、私たちのタスクをtrianle形状の同じ種類を配置することである別のオブジェクトを持つことができます ラベルされたデータセットラベルされた全ての形状を有している、と私たちは訓練のもとに、そのデータセットに機械学習モデルを訓練します、それは形状の検出を開始しますdateset。
アン教師付き学習
教師なし学習は、最終結果が知られていない、それはデータセットをクラスタ化し、オブジェクトの類似の特性に基づいて、異なる房上のオブジェクトを分割して物体を検出する無誘導の学習である。
ここでのアルゴリズムは、生データの異なるパターンを検索し、それがデータをクラスタ化することに基づきます。未教師付き学習は、クラスタリングに使用されます。
それは3つ持っている場合、は、一例として、我々は、複数の正方形、円、三角形の異なるオブジェクトを持つことができるので、オブジェクトは、4つの側面を有する場合、それは正方形検討することは、オブジェクトのプロパティに基づいて房を行います、そして両側の三角形と円よりも側面は、ここにデータが標識されていない、それは様々な形状を検出するために、自分自身を学びません場合は、
詳細の違いを説明し、既に多くの答えがあります。私は codeacademy の上でこれらのGIFを発見し、彼らはしばしば私が説明するのに役立ち効果的に違います。
教師あり学習
" ここに画像の説明を入力する 訓練画像はこことモデルがイメージの名前を学んでいるというラベルを持っていることに注意してください。
教師なし学習
" ここに画像の説明を入力する ここで行われているものだけでグループ化されていること(クラスタリング)とモデルが任意の画像については何も知らないことに注意してください。
機械学習では、人間の行動を模倣するためにマシンを作成しようとしている分野である。
あなただけの人間が学ぶbaby.Theの方法のように機械を訓練する、パターンを認識して、あなたはさまざまな機能を使用してデータを供給することによって、マシンを訓練と同じように自分自身を訓練する、機能を識別します。マシンアルゴリズムデータ内のパターンを識別し、特定のカテゴリにそれを分類します。
マシンは大きく二つのカテゴリ、教師と教師なし学習に分かれて学習します。
教師付き学習は、あなたが持っている概念である入力ベクトル/一方教師なし学習.On目標値(出力)に対応するデータはあなたが唯一の入力ベクトルを持っている概念です/任意の対応する目標値のないデータます。
教師付き学習の例では、対応する数字[0-9]で数字のイメージを持っている手書き数字認識である、と教師なし学習の例は、行動を購入することで、顧客をグループ化されます。