Qual é a diferença entre a aprendizagem supervisionada e aprendizado não supervisionado?

https://stackoverflow.com/questions/1832076

11-09-2019
|

Pergunta

Em termos de inteligência artificial e aprendizagem de máquina, qual é a diferença entre a aprendizagem supervisionada e não-supervisionada? Você pode fornecer uma explicação básica, fácil com um exemplo?

Solução

Uma vez que você fizer essa pergunta muito básica, parece que vale a pena especificar o Machine Learning em si é.

Machine Learning é uma classe de algoritmos que é orientado de dados, ou seja, ao contrário de algoritmos "normais" são os dados que "diz" o que a "boa resposta" é. Exemplo: um algoritmo de aprendizagem não-máquina hipotético para detecção de rosto em imagens iria tentar definir o que um cara é (disco redondo pele-como-colorido, com área escura onde você espera os olhos etc). Um algoritmo de aprendizagem de máquina não teria tal definição codificado, mas iria "aprender-por-exemplos": você vai mostrar várias imagens de rostos e não-faces e um bom algoritmo irá aprender e ser capaz de prever se ou não um invisível imagem é um rosto.

Este exemplo particular de detecção de rosto é supervisionado , o que significa que seus exemplos devem ser rotulado , ou explicitamente dizer quais são rostos e quais não são.

Em um sem supervisão algoritmo seus exemplos não são rotulado , ou seja, você não disse nada. Claro que, em tal caso um o próprio algoritmo não pode "inventar" o que um rosto é, mas pode tentar aglomerado os dados em diferentes grupos, por exemplo, ele pode distinguir que os rostos são muito diferentes das paisagens, que são muito diferentes dos cavalos.

Uma vez que outra resposta menciona (embora, de forma incorreta): existem formas "intermediárias" de supervisão, ou seja, e aprendizado semi-supervisionado ativa . Tecnicamente, estes são métodos supervisionados em que há alguma forma "inteligente" para evitar um grande número de exemplos rotulados. Em aprendizagem activa, o próprio algoritmo decide que coisa que você deve rotular (por exemplo, pode ter certeza sobre uma paisagem e um cavalo, mas pode pedir-lhe para confirmar se um gorila é de fato a imagem de um rosto). No aprendizado semi-supervisionado, há dois algoritmos diferentes que começam com os exemplos rotulados, e, em seguida, "dizer" uns aos outros a maneira como eles pensam sobre alguns grande número de dados não marcados. Deste "discussão" que aprendem.

Outras dicas

aprendizagem supervisionada é quando os dados que você alimenta seu algoritmo com é "marcado" ou "marcado", para ajudar a sua lógica de decisões tomar.

Exemplo:. Bayes filtragem de spam, onde você tem que sinalizar um item como spam para refinar os resultados

Aprendizado não supervisionado são tipos de algoritmos que tentam encontrar correlações, sem quaisquer outros do que os dados brutos entradas externas.

Exemplo:. Mineração de dados algoritmos de agrupamento

aprendizagem supervisionada

As aplicações nas quais os dados de treino compreende exemplos de vectores de entrada, juntamente com os seus vectores alvo correspondentes são conhecidos como problemas de aprendizagem supervisionada.

Unsupervised aprender

Em outros problemas de reconhecimento de padrões, os dados de treino consiste de um conjunto de vectores de entrada x sem quaisquer valores-alvo correspondentes. O objetivo de tais problemas de aprendizagem não supervisionada pode ser para descobrir grupos de exemplos semelhantes dentro dos dados, onde é chamado de cluster

Reconhecimento de Padrões e Machine Learning (Bishop, 2006)

No aprendizado supervisionado, o x entrada é fornecido com o y resultado esperado (ou seja, a saída do modelo é suposto para produzir quando a entrada é x), que é muitas vezes chamado de "classe" (ou "etiqueta") de o correspondente x entrada.

Na aprendizagem não supervisionada, a "classe" de um exemplo x não é fornecido. Assim, a aprendizagem não supervisionada pode ser pensado como encontrar "estrutura escondida" no conjunto de dados não marcado.

Abordagens para aprendizado supervisionado incluem:

Classificação (1R, Naive Bayes, a decisão árvore algoritmo de aprendizagem, tais como ID3 CART, e assim por diante)
Valor numérico Previsão

Abordagens para a aprendizagem não supervisionada incluem:

Clustering (K-means, agrupamento hierárquico)
Associação regra de aprendizagem

Por exemplo, muitas vezes o treinamento de uma rede neural é aprendizado supervisionado: você está dizendo a rede à qual classe corresponde a característica vetor você está alimentando

O agrupamento é aprendizado não supervisionado:. Você deixar o algoritmo decidir como amostras do grupo em classes que compartilham propriedades comuns

Outro exemplo de aprendizado não supervisionado é de Kohonen auto-organização mapeia .

Eu posso dizer-lhe um exemplo.

Suponha que você precisa reconhecer que veículo é um carro e qual é uma motocicleta.

No supervisionado caso aprendizagem, a sua entrada (formação) do conjunto de dados precisa ser rotulados, ou seja, para cada elemento de entrada em sua entrada (formação) conjunto de dados, você deve especificar se ele representa um carro ou uma motocicleta.

No sem supervisão caso de aprendizagem, você não rotular as entradas. Os aglomerados modelo sem supervisão a entrada em grupos com base, por exemplo, em recursos / propriedades semelhantes. Assim, neste caso, não é há rótulos como "carro".

Eu sempre achei a distinção entre não-supervisionada e supervisionada aprender a ser arbitrária e um pouco confuso. Não há distinção real entre os dois casos, ao contrário, há uma série de situações em que um algoritmo pode ter mais ou menos 'supervisão'. A existência de aprendizado semi-supervisionado é um exemplos óbvios onde a linha é borrada.

Eu tendo a pensar de supervisão como dar feedback para o algoritmo sobre o que as soluções devem ser preferidos. Para um ambiente supervisionado tradicional, tais como detecção de spam, você diga o algoritmo "não cometer erros no conjunto de treinamento" ; para um ambiente sem vigilância tradicional, tais como clustering, você diga o algoritmo "pontos que são próximos uns dos outros devem estar no mesmo cluster" . Acontece que, a primeira forma de feedback é muito mais específico do que o último.

Em suma, quando alguém diz 'supervisionado', pense classificação, quando dizem 'sem supervisão' pensar clustering e tente não se preocupar muito com isso além disso.

Aprendizagem de máquina: Ele explora o estudo e construção de algoritmos que podem aprender e fazer previsões sobre algoritmos data.Such operar através da construção de um modelo de exemplo entradas, a fim de fazer previsões ou decisões orientadas por dados expressos como saídas, ao invés de seguir as instruções do programa estritamente estáticas.

Aprendizagem Supervisionada: É tarefa aprendizado de máquina de inferir uma função chame formação data.The dados de treinamento consistem de um conjunto de exemplos de treinamento. Na aprendizagem supervisionada, cada exemplo é um par que consiste de um objecto de entrada (tipicamente um vector) e um valor de saída desejado (também chamado o sinal de controlo). Um aprendizado supervisionado algoritmo analisa os dados de treinamento e produz uma função inferido, que pode ser usado para mapear novos exemplos.

O computador é apresentado com exemplos de entradas e suas saídas desejadas, dada por um "professor", eo objetivo é aprender uma regra geral que mapeia os dados para outputs.Specifically, um aprendizado supervisionado algoritmo leva um conjunto conhecido de dados de entrada e respostas conhecidas para os dados (de saída), e trens um modelo para gerar previsões razoáveis ??para a resposta aos novos dados.

Aprendizado não supervisionado: É aprender sem um professor. um básico coisa que você pode querer fazer com os dados é para visualizá-lo. É tarefa aprendizado de máquina de inferir uma função para descrever a estrutura oculta a partir de dados não marcados. Desde os exemplos dados para o aluno são sem rótulo, não há nenhum sinal de erro ou recompensa para avaliar uma potencial solução. Isto distingue aprendizado não supervisionado de aprendizado supervisionado. Sem supervisão procedimentos usos de aprendizagem que tentam encontrar partições naturais de padrões.

Com aprendizado não supervisionado não há feedback com base nos resultados de previsão, ou seja, não há professor para you.Under correta os métodos de aprendizagem não supervisionado exemplos não rotulados são fornecidos e não há nenhuma noção de saída durante o aprendizado processo. Como resultado, cabe ao sistema / modelo de aprendizagem para encontrar padrões ou descobrir os grupos dos dados de entrada

Você deve usar métodos de aprendizagem sem supervisão quando você precisa de um grande quantidade de dados para treinar seus modelos, e a vontade ea capacidade para experimentar e explorar, e, naturalmente, um desafio que não está bem resolvido através de aprendizagem não supervisionada methods.With mais estabelecida é possível aprender modelos maiores e mais complexos do que com supervisionado aprendizagem. Aqui é um bom exemplo sobre ele

aprendizado supervisionado

aprendizagem supervisionada é baseado na formação de uma amostra de dados a partir de fonte de dados com classificação correta já atribuído. Tais técnicas são utilizadas em alimentação de entrada ou MultiLayer Perceptron (MLP) modelos. Estes MLP tem três distintivo características:

Uma ou mais camadas de neurônios ocultos que não são parte da entrada ou camadas de saída da rede que permitem a rede para aprender e resolver todos os problemas complexos
A não linearidade reflectido na actividade neuronal é diferenciável e,
O modelo de interligação da rede exibe um alto grau de conectividade.

Estas características, juntamente com a aprendizagem através da formação resolver problemas difíceis e diversificados. aprender através treinamento em um modelo ANN supervisionado também chamado de algoritmo de retropropagação do erro. A correção-learning erro algoritmo treina a rede com base na entrada-saída amostras e encontra o sinal de erro, que é a diferença da saída calculada e a saída desejada e ajusta o pesos sinápticos dos neurónios, que é proporcional à produto do sinal de erro e o exemplo de entrada do peso sináptico. Com base neste princípio, de volta de erro aprendizagem propagação ocorre em duas passagens:

Encaminhar Pass:

Aqui, vetor de entrada é apresentada à rede. Este sinal de entrada propaga-se para a frente, neurónio por neurónio através da rede e emerge no fim da produção a rede como sinal de saída: y(n) = φ(v(n)) onde v(n) é o campo local, induzida de um neurónio definido por v(n) =Σ w(n)y(n). A saída que é calculado na camada de saída S (n) é comparado com o d(n) resposta desejada e encontra o e(n) erro para que neurónio. Os pesos sinápticos da rede durante esta fase são restos mesmos.

Backward Pass:

O sinal de erro que é originado no neurónio de saída que a camada é propagada para trás através da rede. Este calcula o gradiente local para cada neurónio em cada camada e permite que os pesos sinápticos da rede para sofrer alterações, em conformidade com a regra delta como:

Δw(n) = η * δ(n) * y(n).

Este cálculo recursivo é continuada, com a frente passar seguido pelo passe para trás para cada padrão de entrada até que a rede é convergente.

paradigma de aprendizagem supervisionada de uma RNA é soluções eficientes e encontra a vários problemas não lineares tais como a classificação, controlo da planta, de previsão, de predição, etc. robótica e linear.

Aprendizagem não supervisionada

auto-organização de redes neurais aprendem usando o algoritmo de aprendizado não supervisionado para identificar padrões ocultos em dados de entrada sem rótulo. Isso sem supervisão refere-se à capacidade de aprender e organizar as informações sem fornecer um sinal de erro para avaliar o potencial solução. A falta de direção para o algoritmo de aprendizagem na aprendizagem não supervisionada pode em algum momento ser vantajoso, uma vez que permite que o algoritmo de olhar para trás para os padrões que não foram anteriormente considerados. As principais características dos mapas auto-organizáveis ??(SOM) são:

Ele transforma um padrão de sinal de entrada de dimensão arbitrária em um ou 2 mapa dimensional e realizar essa transformação adaptativa
A rede representa a estrutura feedforward com uma única camada computacional consiste em neurónios dispostos em filas e colunas. Em cada etapa de representação, cada sinal de entrada é mantida em seu próprio contexto e,
Os neurônios que lidam com peças estreitamente relacionadas de informação estão perto juntos e eles se comunicam através de conexões sinápticas.

A camada computacional é chamado também como camada competitiva desde os neurônios na competição camada de uns com os outros para se tornar ativo. Assim, este algoritmo de aprendizagem é chamado algoritmo competitivo. algoritmo sem supervisão emSOM funciona em três fases:

fase da competição:

para cada x padrão de entrada, apresentada para a rede, o produto interno com é calculado w peso sináptica e os neurónios na camada competitiva encontra uma função discriminante que induzem a competição entre os neurónios e o vector peso sináptico que está perto da entrada vetor na distância euclidiana é anunciado como o vencedor na competição. Isso neurônio é chamado melhor neurônio correspondente,

i.e. x = arg min ║x - w║.

fase Cooperativa:

o neurônio vencedor determina o centro de uma h vizinhança topológica de neurônios cooperantes. Isto é realizado pela interacção d lateral, entre o neurónios cooperativos. Este bairro topológica reduz seu tamanho ao longo de um período de tempo.

fase Adaptive:

permite que o neurônio vencedor e seus neurônios da vizinhança para aumentar os seus valores individuais da função discriminante em relação ao padrão de entrada através de ajustes de peso sináptico adequados,

 Δw = ηh(x)(x –w).

Após a apresentação repetida dos padrões de treinamento, os vetores de pesos sinápticos tendem a seguir a distribuição dos padrões de entrada devido à actualização bairro e assim aprende ANN sem supervisor.

Self-Organizing Modelo representa naturalmente o comportamento neuro-biológica, e, portanto, é usado em muitas aplicações do mundo real, tais como clustering, reconhecimento de voz, segmentação de textura, vetor de codificação etc.

Referência.

aprendizado supervisionado : Você dá dados de exemplo variadamente rotulados como entrada, juntamente com as respostas corretas. Este algoritmo irá aprender com ele, e começar a previsão de resultados corretos com base nas entradas posteriores. Exemplo : Email filtro de spam

Aprendizagem não supervisionada : Você acabou de dar dados e não diz nada - como etiquetas ou respostas corretas. Algoritmo analisa automaticamente padrões nos dados. Exemplo : Google News

Vou tentar mantê-lo simples.

Aprendizagem Supervisionada: Nesta técnica de aprendizagem, nos é dado um conjunto de dados e o sistema já sabe a saída correta do conjunto de dados. Então, aqui, nosso sistema aprende com a previsão de um valor próprio. Em seguida, ele faz uma verificação de precisão usando uma função de custo para verificar o quão perto sua previsão era a saída real.

Aprendizagem não supervisionada: Nesta abordagem, temos pouco ou nenhum conhecimento do que o nosso resultado seria. Então, ao invés, derivamos estrutura a partir dos dados que nós não sabemos efeito da variável. Fazemos estrutura agrupando os dados com base na relação entre a variável em dados. Aqui, não temos um feedback baseado na nossa previsão.

aprendizagem supervisionada, considerando os dados com uma resposta.

e-mail Dado marcados como spam / não spam, aprender um filtro de spam.

Dado um conjunto de dados dos pacientes diagnosticados como quer que têm diabetes ou não, aprender a classificar novos pacientes como tendo diabetes ou não.

Aprendizado não supervisionado , dado os dados sem uma resposta, deixe o PC para as coisas em grupo.

Dado um conjunto de artigos de notícias encontrado na web, o grupo em conjunto de artigos sobre a mesma história.

Dado um banco de dados de dados personalizados, automaticamente descobrir segmentos de mercado e clientes do grupo em diferentes segmentos de mercado.

Referência

aprendizado supervisionado

Neste, cada padrão de entrada que é usado para treinar a rede é associada com um padrão de saída, que é o alvo ou a desejada padronizar. Um professor é assumida para estar presente durante a aprendizagem processo, quando é feita uma comparação entre a rede é calculado de saída e a saída esperada correta, para determinar o erro. o erro pode então ser usado para parâmetros de rede mudança, que resultam em uma melhoria no desempenho.

Aprendizagem não supervisionada

Neste método de aprendizagem, a saída de destino não é apresentado ao rede. É como se não há professor para apresentar o desejado padrão e, portanto, as aprende sistema próprio de descobrir e adaptação às características estruturais nos padrões de entrada.

aprendizagem supervisionada

Você tem x entrada e uma saída de destino t. Então você treinar o algoritmo para generalizar para as partes em falta. É supervisionado porque o alvo é dado. Você é o supervisor dizendo o algoritmo: Para o exemplo x, você deve saída t

Unsupervised aprender

Apesar de segmentação, clustering e compressão são normalmente contadas nessa direção, eu tenho um tempo difícil chegar a uma definição boa para ele.

Vamos take auto-codificadores para a compressão como um exemplo. Enquanto você só tem a entrada x dado, ele é o engenheiro humano como diz o algoritmo que o alvo também é x. Assim, em certo sentido, isso não é diferente de aprendizado supervisionado.

E para clustering e segmentação, eu não estou muito certo se ele realmente se encaixa na definição de aprendizagem de máquina (veja outra questão ).

Aprendizagem Supervisionada: digamos uma criança vai para kinder-jardim. aqui mostra professor lhe 3 brinquedos casa, bola e carro. agora professor dá-lhe 10 brinquedos. ele vai classificá-los em 3 caixa da casa, bola e carro baseado em sua experiência anterior. tão criança foi supervisionado pela primeira vez por professores para obter respostas certas para alguns conjuntos. em seguida, ele foi testado em brinquedos desconhecidos.

Aprendizado não supervisionado: novo jardim de infância example.A criança é dado 10 brinquedos. ele é dito para segmentos similares. assim com base em características como forma, tamanho, cor, etc função ele vai tentar fazer 3 grupos dizem A, B, C e agrupá-los.

A palavra Supervisionar significa que você está dando supervisão / instrução para máquina para ajudá-lo a encontrar respostas. Uma vez que aprende instruções, pode facilmente prever para um novo caso.

meios não supervisionado não há nenhuma supervisão ou instruções como encontrar respostas / etiquetas e máquina vai usar sua inteligência para encontrar algum padrão em nossos dados. Aqui ele não vai fazer previsão, ele só vai tentar encontrar os clusters que tem dados similar.

Aprendizagem Supervisionada: Você têm rotulado de dados e tem que aprender com isso. por exemplo dados de casa junto com preço e, em seguida, aprender a prever preço

Aprendizado não supervisionado: você tem que encontrar a tendência e, em seguida, prever, sem rótulos anteriores dado. por exemplo pessoas diferentes na classe e, em seguida, uma nova pessoa vem então o grupo faz este novo aluno pertence.

Em aprendizado supervisionado nós sabemos o que a entrada e saída deve ser. Por exemplo, dado um conjunto de carros. Temos que descobrir quais os vermelhos e quais azul.

Considerando que, a aprendizagem não supervisionado é onde nós temos que descobrir a resposta com um muito pouco ou sem qualquer ideia sobre como a saída deve ser. Por exemplo, um aluno pode ser capaz de construir um modelo que detecta quando as pessoas estão sorrindo com base na correlação de padrões faciais e palavras tais como "o que você está rindo?".

aprendizagem supervisionada pode rotular um novo item em uma das etiquetas treinados com base no aprendizado durante o treinamento. Você precisa fornecer um grande número de conjunto de dados de treinamento, conjunto de dados de validação e conjunto de dados de teste. Se você fornecer dizer vectores de imagem de pixel de dígitos, juntamente com dados de treinamento com rótulos, então ele pode identificar os números.

Aprendizado não supervisionado não requer treinamento conjuntos de dados. Na aprendizagem não supervisionada pode agrupar itens em agrupamentos diferentes com base na diferença nos vetores de entrada. Se você fornecer vectores de imagem de pixel de dígitos e pedir-lhe para classificar em 10 categorias, ele pode fazer isso. Mas sabe como etiquetas lo como você não fornecidos rótulos de treinamento.

aprendizagem supervisionada é basicamente onde você tem variáveis ??de entrada (X) e variável de saída (y) e um algoritmo usar para aprender a função de mapeamento de entrada para a saída. A razão pela qual nós chamamos isso como supervisionado é porque algoritmo aprende com o conjunto de dados de treinamento, o algoritmo de forma iterativa faz previsões sobre os dados de treinamento. Supervisionado têm dois tipos de classificação e regressão. A classificação é quando a variável de saída é categoria como sim / não, verdadeiro / falso. Regressão é quando a saída é valores reais como a altura da pessoa, temperatura etc.

ONU aprendizado supervisionado é onde temos apenas dados de entrada (X) e há variáveis ??de saída. Isto é chamado de aprendizagem não supervisionada, porque ao contrário de aprendizagem supervisionada acima não há respostas corretas e não há professor. Algoritmos são deixados à própria legados para descobrir e apresentar a estrutura interessante na dados.

Tipos de aprendizagem não supervisionada se aglomeram e de Associação.

supervisionada Aprendizagem é basicamente uma técnica na qual os dados de treinamento a partir do qual os aprende máquina já está rotulados que é suponha que um simples mesmo estranho classificador número onde já classificou os dados durante o treino. Por isso, usa "rotuladas" de dados.

Aprendizado não supervisionado pelo contrário é uma técnica na qual a máquina por si só rotula os dados. Ou você pode dizer que é o caso quando a máquina aprende por si mesmo a partir do zero.

Em Simples aprendizagem supervisionada é tipo de problema de aprendizagem de máquina em que temos alguns rótulos e usando que os rótulos vamos implementar algoritmo como regressão e classificação .Classification é aplicada onde a nossa saída é como na forma de 0 ou 1, verdadeiro / falso, sim / não. e regressão é aplicada onde a colocar um valor real tal casa do preço

Aprendizagem não supervisionada é um tipo de máquina de problema em que não temos qualquer meio rótulos que têm apenas alguns dados, dados não estruturados aprendendo e temos que agrupar os dados (agrupamento de dados) usando vários algoritmo sem supervisão

Supervisionado Machine Learning

"O processo de aprendizagem algoritmo do conjunto de dados de treinamento e prever a saída. "

A precisão da produção previsto diretamente proporcional aos dados de treinamento (comprimento)

aprendizagem supervisionada é onde você tem variáveis ??de entrada (X) (conjunto de dados de treinamento) e uma variável de saída (y) (teste de conjuntos de dados) e você usar um algoritmo para aprender a função de mapeamento a partir da entrada para a saída.

Y = f(X)

tipos principais:

Classificação (eixo y discreta)
Preditiva (eixo y contínua)

Algoritmos:

Classificação Algoritmos:

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

Predictive Algoritmos:

Nearest  neighbor  
Linear Regression,Multi Regression

As áreas de aplicação:

e-mails classificando como o spam
Classificando se paciente tem doença ou não
Reconhecimento de Voz
Prever o RH seleciona determinado candidato ou não
prever o preço do mercado de ações

aprendizagem supervisionada :

A aprendizado supervisionado algoritmo analisa os dados de treinamento e produz uma função inferido, que pode ser usado para mapear novos exemplos.

Nós fornecemos dados de treinamento e sabemos saída correta para uma determinada entrada
Sabemos relação entre entrada e saída

As categorias de problema:

regressão:. Prever os resultados dentro de um contínuo variáveis ??de entrada de saída => mapa para alguma função contínua

Exemplo:

Dada uma imagem de uma pessoa, prever sua idade

Classificação: prever resultados em uma saída discreta => variáveis ??de entrada mapa em categorias discretas

Exemplo:

É este canceroso Tumer?

Aprendizado não supervisionado:

aprende aprendizagem não supervisionada de dados de teste que não tenha sido rotulados, classificados ou categorizados. Sem supervisão identifica aprendizagem comuns nos dados e reage com base na presença ou ausência de tais semelhanças em cada nova peça de dados.

Nós podemos derivar essa estrutura, agrupando os dados com base nas relações entre as variáveis ??nos dados.
Não há comentários com base nos resultados de previsão.

As categorias de problema:

Clustering: é a tarefa de agrupar um conjunto de objetos de tal forma que os objetos no mesmo grupo (chamado de cluster) são mais semelhantes (em algum sentido ) uns com os outros do que com os de outros grupos (clusters)

Exemplo:

Dê uma coleção de 1.000.000 de genes diferentes, e encontrar uma forma de agrupar automaticamente esses genes em grupos que são de alguma forma semelhante ou relacionado por diferentes variáveis, tais como vida útil, localização, funções e assim por diante .

casos de uso mais populares estão listados aqui.

entre classificação e agrupamento em mineração de dados?

Referências:

Supervised_learning

Unsupervised_learning

de Coursera

aprendizado de máquina

towardsdatascience

aprendizado supervisionado

Aprendizagem não supervisionada

Exemplo:

Aprendizagem Supervisionada:

Um saco com maçã
Um saco com laranja

=> modelo de construção
Uma mescla de maçã e laranja.

=> Por favor classificar

Aprendizagem não supervisionada:

Uma mescla de maçã e laranja.

=> modelo de construção
Um outro saco misto

=> Por favor classificar

Em palavras simples .. :) É o meu entendimento, não hesite em correta. aprendizagem supervisionada é, nós sabemos o que estamos prevendo, com base em dados fornecidos. Portanto, temos uma coluna no conjunto de dados que precisa ser predicado. Aprendizado não supervisionado é, tentamos extrair significado a partir do conjunto de dados fornecido. Não temos clareza sobre o que deve ser previsto. ? Então pergunta é por que fazer isso .. :) resposta é - o resultado do aprendizado não supervisionado é grupos / clusters (dados semelhantes juntos). Então, se nós receber quaisquer novos dados, em seguida, nós associamos isso com o cluster / grupo identificado e compreender as suas características.

Espero que irá ajudá-lo.

aprendizado supervisionado

aprendizagem supervisionada é onde sabemos que a saída da entrada bruta, ou seja, os dados são rotulados de forma que durante o treinamento do modelo de aprendizagem de máquina que vai entender o que é preciso para detectar na saída dar, e que irá orientar o sistema durante o treinamento para detectar os objetos pré-rotulados com base nisso ele irá detectar os objetos semelhantes que nós fornecemos em formação.

Aqui os algoritmos saberão qual é a estrutura e padrão de dados. aprendizado supervisionado é usado para a classificação

Como exemplo, podemos ter um objetos diferentes cujas formas são quadrado, círculo, trianle nossa tarefa é organizar os mesmos tipos de formas O conjunto de dados rotulados ter todas as formas rotulados, e vamos treinar o modelo de aprendizado de máquina em que conjunto de dados, sobre a base de dateset formação que vai começar a detectar as formas.

aprendizado supervisionado pela ONU

aprendizagem não supervisionada é uma aprendizagem não guiado em que o resultado final não é conhecida, que vai agrupar o conjunto de dados e com base nas propriedades semelhantes do objecto que vai dividir os objectos em diferentes grupos e detectam os objectos.

Aqui algoritmos irá procurar o padrão diferente nos dados brutos, e com base no que ele vai agrupar os dados. aprendizagem não-supervisionada é usado para clustering.

Como exemplo, podemos ter diferentes objetos de várias formas quadrado, círculo, triângulo, por isso vai fazer os cachos com base nas propriedades do objeto, se um objeto tem quatro lados ele vai considerá-lo quadrado, e se ele tem três os lados do triângulo e se não lados do que círculo, aqui os dados não é rotulado, ele vai aprender-se a detectar as várias formas

Existem muitos já respostas que explicam as diferenças de pormenor. Eu encontrei estas gifs sobre Codecademy e muitas vezes eles me ajudar a explicar as diferenças de forma eficaz.

supervisionada Aprendizagem

Observe que as imagens de treinamento têm rótulos aqui e que o modelo é aprender os nomes das imagens.

Aprendizagem não supervisionada

Observe que o que está sendo feito aqui é apenas agrupamento (clusters) e que o modelo não sabe nada sobre qualquer imagem.

Aprendizagem de máquina é um campo onde você está tentando fazer a máquina para imitar o comportamento humano.

Você treina máquina apenas como uma forma baby.The os seres humanos aprendem, identificar recursos, reconhecer padrões e treinar-se, mesma maneira que você treina máquina, alimentando dados com vários recursos. algoritmo máquina de identificar o padrão dentro dos dados e classificá-lo na categoria particular.

máquina de aprendizagem amplamente divididas em duas categorias, supervisionado e aprendizagem sem supervisão.

aprendizagem supervisionada é o conceito que você tem de entrada vector / dados com valor de destino (saída) correspondente .Na aprendizagem não supervisionada por outro lado é o conceito onde você só tem vetores / dados de entrada sem qualquer valor de destino correspondente.

Um exemplo de aprendizagem supervisionada é o reconhecimento de dígitos manuscritos onde você tem imagem de dígitos com dígitos [0-9] correspondente, e um exemplo de aprendizado não supervisionado é agrupar os clientes através da compra de comportamento.

Licenciado em: CC-BY-SA com atribuição

Não afiliado a StackOverflow