В чем разница между обучением с учителем и обучением без учителя?

https://stackoverflow.com/questions/1832076

11-09-2019
|

Вопрос

В чем разница между обучением с учителем и обучением без учителя с точки зрения искусственного интеллекта и машинного обучения?Можете ли вы дать простое и простое объяснение на примере?

Решение

Поскольку вы задаете этот очень простой вопрос, похоже, стоит уточнить, что такое машинное обучение.

Машинное обучение — это класс алгоритмов, управляемых данными, т.е.в отличие от «нормальных» алгоритмов именно данные «говорят», каков «хороший ответ».Пример:гипотетический алгоритм немашинного обучения для обнаружения лиц на изображениях будет пытаться определить, что такое лицо (круглый диск цвета кожи, с темной областью там, где вы ожидаете увидеть глаза и т. д.).Алгоритм машинного обучения не будет иметь такого закодированного определения, но будет «обучаться на примерах»:вы покажете несколько изображений лиц и не-лиц, и хороший алгоритм в конечном итоге научится и сможет предсказать, является ли невидимое изображение лицом.

Этот конкретный пример обнаружения лиц контролируемый, а это значит, что ваши примеры должны быть помеченный, или явно сказать, какие из них являются лицами, а какие нет.

В без присмотра алгоритм, ваши примеры не являются помеченный, т.е.ты ничего не говоришь.Конечно, в таком случае алгоритм сам не может «придумать», что такое лицо, но может попытаться кластер данные в разные группы, например.он может отличить, что лица сильно отличаются от пейзажей, которые очень отличаются от лошадей.

Поскольку об этом упоминается в другом ответе (хотя и неправильно):существуют «промежуточные» формы надзора, т.е. полуконтролируемый и активное изучение.Технически это контролируемые методы, в которых есть некий «умный» способ избежать большого количества помеченных примеров.При активном обучении алгоритм сам решает, какую вещь вы должны обозначить (например,он может быть вполне уверен в отношении ландшафта и лошади, но может попросить вас подтвердить, действительно ли горилла является изображением лица).В полуконтролируемом обучении есть два разных алгоритма, которые начинают с размеченных примеров, а затем «рассказывают» друг другу, как они думают о некотором большом количестве неразмеченных данных.Из этой «дискуссии» они учатся.

Другие советы

Обучение под присмотром это когда данные, которые вы передаете в свой алгоритм, «помечены» или «помечены», чтобы помочь вашей логике принимать решения.

Пример:Байесовская фильтрация спама, при которой вам необходимо пометить элемент как спам, чтобы уточнить результаты.

Обучение без присмотра — это типы алгоритмов, которые пытаются найти корреляции без каких-либо внешних входных данных, кроме необработанных данных.

Пример:алгоритмы кластеризации интеллектуального анализа данных.

Обучение под присмотром

Приложения, в которых обучающие данные содержат примеры входных векторов вместе с соответствующими целевыми векторами, известны как задачи обучения с учителем.

Обучение без присмотра

В других задачах распознавания образов обучающие данные состоят из набора входных векторов x без каких-либо соответствующих целевых значений.Целью таких задач обучения без присмотра может быть обнаружение групп похожих примеров в данных, что называется кластеризацией.

Распознавание образов и машинное обучение (Бишоп, 2006 г.)

В контролируемом обучении входные данные x обеспечивается ожидаемый результат y (т. е. выходные данные, которые модель должна производить, когда входные данные x), который часто называют «классом» (или «меткой») соответствующего входа. x.

При обучении без учителя «класс» примера x не предусмотрено.Таким образом, обучение без учителя можно рассматривать как поиск «скрытой структуры» в немаркированном наборе данных.

Подходы к контролируемому обучению включают в себя:

Классификация (1R, Наивный Байеса, Алгоритм обучения дерева решений, например, корзина ID3 и т. Д.)
Прогнозирование числовых значений

Подходы к обучению без учителя включают в себя:

Кластеризация (K-средние, иерархическая кластеризация)
Изучение правил ассоциации

Например, очень часто обучение нейронной сети осуществляется с учителем:вы сообщаете сети, какому классу соответствует вектор признаков, который вы передаете.

Кластеризация — это обучение без учителя:вы позволяете алгоритму решать, как группировать образцы в классы, имеющие общие свойства.

Другим примером обучения без учителя является Самоорганизующиеся карты Кохонена.

Я могу рассказать вам пример.

Предположим, вам нужно распознать, какое транспортное средство является автомобилем, а какое — мотоциклом.

в контролируемый В случае обучения ваш входной (обучающий) набор данных должен быть помечен, то есть для каждого входного элемента в вашем входном (обучающем) наборе данных вы должны указать, представляет ли он автомобиль или мотоцикл.

в без присмотра В случае обучения вы не маркируете входные данные.Модель без учителя группирует входные данные в кластеры на основе, например.по схожим характеристикам/свойствам.Итак, в данном случае нет таких ярлыков, как «автомобиль».

Я всегда находил различие между обучением без присмотра и обучением под присмотром произвольным и немного запутанным.Между этими двумя случаями нет реального различия, вместо этого существует ряд ситуаций, в которых алгоритм может иметь более или менее «надзор».Существование полуконтролируемого обучения является очевидным примером того, где грань размыта.

Я склонен рассматривать супервизию как обратную связь с алгоритмом о том, каким решениям следует отдать предпочтение.Для традиционных контролируемых настроек, таких как обнаружение спама, вы сообщаете алгоритму «не делайте ошибок на тренировочном наборе»;для традиционных неконтролируемых настроек, таких как кластеризация, вы сообщаете алгоритму «точки, находящиеся близко друг к другу, должны находиться в одном кластере».Так уж получилось, что первая форма обратной связи гораздо более конкретна, чем вторая.

Короче говоря, когда кто-то говорит «контролируемый», подумайте о классификации, когда он говорит «неконтролируемый», подумайте о кластеризации и постарайтесь не слишком беспокоиться об этом, кроме этого.

Машинное обучение: Он исследует изучение и создание алгоритмов, которые могут учиться на данных и делать прогнозы на их основе. Такие алгоритмы работают путем построения модели на основе примеров входных данных, чтобы делать прогнозы или решения на основе данных, выраженные в виде выходных данных, а не следовать строго статическим инструкциям программы.

Контролируемое обучение: Это задача машинного обучения, заключающаяся в выведении функции из помеченных обучающих данных. Обучающие данные состоят из набора обучающих примеров.При обучении с учителем каждый пример представляет собой пару, состоящую из входного объекта (обычно вектора) и желаемого выходного значения (также называемого контролирующим сигналом).Алгоритм обучения с учителем анализирует данные обучения и создает выведенную функцию, которую можно использовать для отображения новых примеров.

Компьютеру представлены примеры входных данных и желаемых результатов, данные «учителем», и цель состоит в том, чтобы выучить общее правило, которое сопоставляет входные данные с выходными. В частности, алгоритм обучения с учителем принимает известный набор входных данных и известные ответы. к данным (выходным данным) и обучает модель генерированию разумных прогнозов реакции на новые данные.

Обучение без присмотра: Это обучение без учителя.Одна основная вещь, которую вы можете сделать с данными, - это визуализировать его.Это задача машинного обучения, заключающаяся в выведении функции для описания скрытой структуры на основе немаркированных данных.Поскольку примеры, предоставляемые учащемуся, не помечены, нет сигнала ошибки или вознаграждения для оценки потенциального решения.Это отличает обучение без учителя от обучения с учителем.Неконтролируемое обучение использует процедуры, которые пытаются найти естественные разделы моделей.

При обучении без учителя нет обратной связи на основе результатов прогнозирования, т. е. нет учителя, который мог бы вас поправить. В методах обучения без учителя не предоставляются помеченные примеры и нет представления о результатах в процессе обучения.В результате схема/модель обучения должна найти закономерности или обнаружить группы входных данных.

Вы должны использовать неконтролируемые методы обучения, если вам нужно большое количество данных для обучения ваших моделей, а также готовность и способность экспериментировать и исследовать, и, конечно, проблема, которая не очень хорошо решена с помощью более установленных методов. возможно изучать более крупные и более сложные модели, чем с контролируемым обучением.Здесь хороший пример в этом отношении

Контролируемое обучение

Наблюдаемое обучение основано на обучении выборки данных из источника данных с уже назначенной классификацией.Такие методы используются в моделях питания или многослойного персептрона (MLP).Эти MLP имеют три отличительные характеристики:

Один или несколько слоев скрытых нейронов, которые не являются частью входных или выходных слоев сети, которые позволяют сети изучать и решать любые сложные задачи
Нелинейность, отраженная в нейрональной активности, дифференцируется и,
Модель соединения сети имеет высокую степень подключения.

Эти характеристики наряду с обучением через обучение решают сложные и разнообразные проблемы.Обучение через обучение в контролируемой модели ANN также называется алгоритмом обратного процесса ошибок.Алгоритм исправления ошибки обучает сеть на основе выборочных образцов ввода-вывода и находит сигнал ошибки, который является разницей в рассчитанном выходе и желаемом выходе и корректирует синаптические веса нейронов, которые пропорциональны продукту ошибки сигнал и входной экземпляр синаптического веса.Основываясь на этом принципе, обучение по ошибке размножения происходит в двух проходах:

Пас вперед:

Здесь входной вектор представляется сети.Этот входной сигнал распространяется вперед, нейрон по нейрону через сеть и появляется на выходном конце сети в качестве выходного сигнала: y(n) = φ(v(n)) где v(n) – индуцированное локальное поле нейрона, определяемое формулой v(n) =Σ w(n)y(n). Выходной сигнал, рассчитанный на выходном слое o(n), сравнивается с желаемым ответом. d(n) и находит ошибку e(n) для этого нейрона.Синаптические веса сети во время этого прохода остаются прежними.

Обратный проход:

Сигнал ошибки, возникающий на выходном нейроне этого слоя, распространяется обратно по сети.Это вычисляет локальный градиент для каждого нейрона в каждом слое и позволяет синаптическим весам сети претерпевать изменения в соответствии с правилом дельты следующим образом:

Δw(n) = η * δ(n) * y(n).

Это рекурсивное вычисление продолжается: проход вперед, за которым следует обратный проход для каждого входного шаблона, пока сеть не сойдется.

Парадигма контролируемого обучения ИНС эффективна и находит решения нескольких линейных и нелинейных задач, таких как классификация, управление объектами, прогнозирование, предсказание, робототехника и т. д.

Обучение без присмотра

Самоорганизующиеся нейронные сети обучаются с использованием алгоритма обучения без учителя для выявления скрытых закономерностей в неразмеченных входных данных.Под «неконтролируемостью» подразумевается способность изучать и систематизировать информацию без подачи сигнала об ошибке для оценки потенциального решения.Отсутствие направления для алгоритма обучения при обучении без учителя иногда может быть выгодным, поскольку оно позволяет алгоритму искать закономерности, которые ранее не рассматривались.Основными характеристиками самоорганизующихся карт (SOM) являются:

Он преобразует шаблон входящего сигнала произвольного измерения в одну или 2 -размерную карту и выполняет это преобразование адаптивно
Сеть представляет собой структуру прямой связи с одним вычислительным уровнем, состоящим из нейронов, расположенных в рядах и столбцах.На каждом этапе представления каждый входной сигнал хранится в его надлежащем контексте и,
Нейроны, имеющие дело с тесно связанными частями информации, близки друг к другу, и они общаются через синаптические связи.

Вычислительный уровень также называют конкурентным слоем, поскольку нейроны этого слоя конкурируют друг с другом за возможность стать активными.Следовательно, этот алгоритм обучения называется конкурентным алгоритмом.Неконтролируемый алгоритм в SOM работает на трех этапах:

Этап соревнований:

для каждого входного шаблона x, представленный сети, внутренний продукт с синаптическим весом w вычисляется, и нейроны конкурентного слоя находят дискриминантную функцию, вызывающую конкуренцию между нейронами, и вектор синаптического веса, близкий к входному вектору на евклидовом расстоянии, объявляется победителем в соревновании.Этот нейрон называется нейроном наилучшего соответствия,

i.e. x = arg min ║x - w║.

Кооперативный этап:

нейрон-победитель определяет центр топологической окрестности h взаимодействующих нейронов.Это осуществляется за счет латерального взаимодействия d Среди кооперативных нейронов.Эта топологическая окрестность уменьшает свой размер с течением времени.

Адаптивная фаза:

Позволяет выигрышному нейрону и его соседским нейронам увеличить свои индивидуальные значения дискриминантной функции по отношению к входной структуре посредством подходящих регулировки синаптического веса,

 Δw = ηh(x)(x –w).

При повторном представлении обучающих шаблонов векторы синаптического веса имеют тенденцию следовать распределению входных шаблонов из-за обновления окрестности, и, таким образом, ИНС обучается без супервизора.

Самоорганизующаяся модель естественным образом представляет нейробиологическое поведение и, следовательно, используется во многих реальных приложениях, таких как кластеризация, распознавание речи, сегментация текстур, векторное кодирование и т. д.

Ссылка.

Контролируемое обучение:В качестве входных данных вы предоставляете примеры данных, помеченных по-разному, а также правильные ответы.Этот алгоритм будет учиться на этом и после этого начнет прогнозировать правильные результаты на основе входных данных. Пример:Спам-фильтр электронной почты

Обучение без присмотра:Вы просто даете данные и ничего не говорите — типа ярлыков или правильных ответов.Алгоритм автоматически анализирует закономерности в данных. Пример:Новости Google

Я постараюсь сделать это простым.

Контролируемое обучение: В этом методе обучения нам предоставляется набор данных, и система уже знает правильный вывод этого набора данных.Итак, наша система учится, прогнозируя собственное значение.Затем он выполняет проверку точности, используя функцию стоимости, чтобы проверить, насколько близок его прогноз к фактическому результату.

Неконтролируемое обучение: При таком подходе мы практически не знаем, каким будет наш результат.Поэтому вместо этого мы извлекаем структуру из данных, в которых нам неизвестен эффект переменной.Мы создаем структуру путем кластеризации данных на основе взаимосвязей между переменными в данных.Здесь у нас нет обратной связи, основанной на нашем прогнозе.

Контролируемое обучение, данные данные с ответом.

Если письмо помечено как спам/не спам, изучите спам-фильтр.

Учитывая набор данных пациентов, у которых диагностирован диабет или нет, научитесь классифицировать новых пациентов как имеющих диабет или нет.

Обучение без присмотра, учитывая данные без ответа, позволяет преклиру группировать вещи.

Учитывая набор новостных статей, найденных в Интернете, сгруппируйте их в набор статей об одной и той же истории.

Используя базу данных пользовательских данных, вы можете автоматически обнаруживать сегменты рынка и группировать клиентов в разные сегменты рынка.

Ссылка

Контролируемое обучение

При этом каждый входной шаблон, который используется для обучения сети, связан с выходной шаблоном, который является целью или желаемой шаблоном.Предполагается, что учитель присутствует в ходе учебного процесса, когда проводится сравнение между вычисленным выходом сети и правильным ожидаемым выводом, чтобы определить ошибку.Затем ошибка может использоваться для изменения параметров сети, что приводит к улучшению производительности.

Обучение без присмотра

В этом методе обучения целевой вывод не представлен сети.Как будто нет учителя, чтобы представить желаемый шаблон, и, следовательно, система учится самостоятельно, обнаруживая и адаптируя к структурным особенностям в входных шаблонах.

Обучение под присмотром

У вас есть вход x и целевой выход t.Таким образом, вы обучаете алгоритм обобщению недостающих частей.Это контролируется, потому что цель задана.Вы руководитель, рассказывающий алгоритму:Для примера x вы должны вывести t!

Обучение без присмотра

Хотя сегментацию, кластеризацию и сжатие обычно рассматривают в этом направлении, мне трудно дать этому хорошее определение.

Давайте автоэнкодеры для сжатия В качестве примера.Хотя у вас есть только входные данные x, именно инженер-человек сообщает алгоритму, что целью также является x.Так что в некотором смысле это не отличается от обучения под учителем.

А что касается кластеризации и сегментации, я не слишком уверен, действительно ли они соответствуют определению машинного обучения (см. другой вопрос).

Контролируемое обучение:Допустим, ребенок ходит в детский сад.здесь учитель показывает ему 3 игрушки: дом, мяч и машину.теперь учитель дает ему 10 игрушек.на основе своего предыдущего опыта он распределит их по трем ячейкам: дом, мяч и машина.поэтому учителя сначала контролировали ребенка, чтобы он получил правильные ответы на несколько заданий.затем его тестировали на неизвестных игрушках.

Обучение без присмотра:Опять пример детского сада. Ребенку дают 10 игрушек.ему говорят сегментировать похожие.поэтому, основываясь на таких характеристиках, как форма, размер, цвет, функция и т. д., он попытается составить 3 группы, например A, B, C, и сгруппировать их.

Слово «Наблюдать» означает, что вы даете машине контроль/инструкции, чтобы помочь ей найти ответы.Как только он выучит инструкции, он сможет легко прогнозировать новый случай.

«Без присмотра» означает отсутствие контроля или инструкций по поиску ответов/меток, и машина будет использовать свой интеллект, чтобы найти какую-то закономерность в наших данных.Здесь он не будет делать прогнозы, а просто попытается найти кластеры с похожими данными.

Контролируемое обучение:Вы пометили данные и должны извлечь из них уроки.например данные о доме вместе с ценой, а затем научитесь прогнозировать цену

Обучение без присмотра:вам нужно найти тенденцию, а затем спрогнозировать ее, без каких-либо предварительных обозначений.например, в классе разные люди, а затем приходит новый человек, к какой группе принадлежит этот новый ученик?

В Контролируемое обучение мы знаем, какими должны быть ввод и вывод.Например, дан набор автомобилей.Нам предстоит выяснить, какие из них красные, а какие синие.

Тогда как, Обучение без присмотра Здесь нам нужно найти ответ, практически не имея представления о том, каким должен быть результат.Например, учащийся может построить модель, которая определяет, когда люди улыбаются, на основе корреляции черт лица и таких слов, как «Чему ты улыбаешься?».

Обучение с учителем может пометить новый элемент одной из обученных меток на основе обучения во время обучения.Вам необходимо предоставить большое количество наборов обучающих данных, наборов проверочных данных и наборов тестовых данных.Если вы предоставите, скажем, векторы пиксельных изображений цифр вместе с обучающими данными с метками, тогда он сможет идентифицировать числа.

Обучение без учителя не требует наборов обучающих данных.При обучении без учителя он может группировать элементы в разные кластеры на основе разницы во входных векторах.Если вы предоставите векторы пиксельных изображений цифр и попросите их классифицировать по 10 категориям, они смогут это сделать.Но он знает, как его маркировать, поскольку вы не предоставили обучающие метки.

Обучение с учителем - это, по сути, когда у вас есть входные переменные (x) и выходная переменная (y) и вы используете алгоритм для изучения функции сопоставления от входа к выходу.Причина, по которой мы назвали это контролируемым, заключается в том, что алгоритм учится на наборе обучающих данных и итеративно делает прогнозы на основе обучающих данных.Контролируемые имеют два типа: классификацию и регрессию.Классификация — это когда выходная переменная имеет категорию типа «да/нет», «истина/ложь».Регрессия — это когда выходные данные представляют собой реальные значения, такие как рост человека, температура и т. д.

Обучение под контролем ООН — это когда у нас есть только входные данные (X) и нет выходных переменных.Это называется обучением без учителя, потому что в отличие от обучения с учителем, описанного выше, здесь нет правильных ответов и нет учителя.Алгоритмы предоставлены самим себе, чтобы обнаружить и представить интересную структуру данных.

Типами обучения без учителя являются кластеризация и ассоциация.

Обучение с учителем — это, по сути, метод, в котором обучающие данные, на основе которых обучается машина, уже помечены, что предполагает простой классификатор четных нечетных чисел, в котором вы уже классифицировали данные во время обучения.Поэтому он использует данные «LABELLED».

Обучение без учителя, напротив, представляет собой метод, при котором машина сама маркирует данные.Или можно сказать, что это тот случай, когда машина учится сама с нуля.

В простом Обучение под присмотром это тип проблемы машинного обучения, в которой у нас есть некоторые этикетки, и, используя эти этикетки, мы реализуем алгоритм, такой как регрессия и классификация. Классификация применяется там, где наш выход похож в форме 0 или 1, True/False, да/нет.и регрессия применяется там, где выводится реальная стоимость такого дорогого дома

Обучение без присмотра это тип проблемы машинного обучения, в которой у нас нет меток, что означает, что у нас есть только некоторые данные, неструктурированные данные, и нам нужно кластеризовать данные (группировать данные), используя различные неконтролируемые алгоритмы

Контролируемое машинное обучение

«Процесс алгоритма, изучающего набора данных обучения и прогнозирует вывод."

Точность прогнозируемого результата прямо пропорциональна обучающим данным (длине)

Обучение с учителем — это когда у вас есть входные переменные (x) (набор обучающих данных) и выходная переменная (Y) (набор тестовых данных), и вы используете алгоритм для изучения функции сопоставления от входа к выходу.

Y = f(X)

Основные типы:

Классификация (дискретная ось Y)
Прогнозный (непрерывная ось Y)

Алгоритмы:

Алгоритмы классификации:

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

Прогнозирующие алгоритмы:

Nearest  neighbor  
Linear Regression,Multi Regression

Области применения:

Классификация электронных писем как спама
Классификация того, есть ли у пациента заболевание или нет
Распознавание голоса
Предсказать, выберет ли HR конкретного кандидата или нет
Прогнозировать цену на фондовом рынке

Обучение под присмотром:

Алгоритм обучения с учителем анализирует данные обучения и создает выведенную функцию, которую можно использовать для отображения новых примеров.

Мы предоставляем данные обучения и знаем правильный результат для определенного ввода.
Мы знаем связь между входом и выходом

Категории проблем:

Регрессия: Прогнозируйте результаты в рамках непрерывного вывода => сопоставляйте входные переменные с некоторой непрерывной функцией.

Пример:

По изображению человека предскажите его возраст.

Классификация: Прогнозирование результатов на дискретных выходных данных => отображение входных переменных в дискретных категориях

Пример:

Этот тумер раковый?

Обучение без присмотра:

Обучение без учителя учится на тестовых данных, которые не были помечены, классифицированы или категоризированы.Обучение без учителя выявляет общие черты в данных и реагирует в зависимости от наличия или отсутствия таких общих черт в каждом новом фрагменте данных.

Мы можем получить эту структуру путем кластеризации данных на основе связей между переменными в данных.
Обратная связь по результатам прогнозирования отсутствует.

Категории проблем:

Кластеризация: — это задача группировки набора объектов таким образом, чтобы объекты в одной группе (называемой кластером) были более похожи (в некотором смысле) друг на друга, чем на объекты в других группах (кластерах)

Пример:

Возьмите коллекцию из 1 000 000 различных генов и найдите способ автоматически группировать эти гены в группы, которые каким-то образом схожи или связаны разными переменными, такими как продолжительность жизни, местоположение, роли и т. д..

Здесь перечислены популярные варианты использования.

Разница между классификацией и кластеризацией в интеллектуальном анализе данных?

Использованная литература:

Обучение под наблюдением

Обучение без присмотра

машинное обучение от Coursera

к науке о данных

Контролируемое обучение

Обучение без присмотра

Пример:

Контролируемое обучение:

Один мешок с яблоком
Один пакетик с апельсином

=> построить модель
Один смешанный пакетик яблока и апельсина.

=> Пожалуйста, классифицируйте

Неконтролируемое обучение:

Один смешанный пакетик яблока и апельсина.

=> построить модель
Еще одна смешанная сумка

=> Пожалуйста, классифицируйте

Простыми словами..:) Это я так понимаю, поправьте.Обучение под присмотром То есть мы знаем, что прогнозируем на основе предоставленных данных.Итак, у нас есть столбец в наборе данных, который необходимо предицировать.Обучение без присмотра То есть мы пытаемся извлечь смысл из предоставленного набора данных.У нас нет ясности относительно того, что следует прогнозировать.Итак, вопрос в том, почему мы это делаем?..:) Ответ: результатом обучения без учителя являются группы/кластеры (сходные данные вместе).Поэтому, если мы получаем какие-либо новые данные, мы связываем их с идентифицированным кластером/группой и понимаем их особенности.

Я надеюсь, что это поможет вам.

контролируемое обучение

обучение с учителем — это когда мы знаем выходные данные необработанных входных данных, т. е. данные помечены так, что во время обучения модели машинного обучения они понимают, что им нужно обнаружить в полученных выходных данных, и будут направлять систему во время обучения, чтобы обнаруживать предварительно помеченные объекты, на этом основании он будет обнаруживать аналогичные объекты, которые мы предоставили в обучении.

Здесь алгоритмы будут знать, какова структура и структура данных.Обучение с учителем используется для классификации

Например, у нас могут быть разные объекты, чьи формы являются квадратными, кругами, треугольником нашей задачи является распоряжение тех же типов фигур, которые помеченный набор данных имеет все фигуры, и мы будем тренировать модель машинного обучения на этом наборе данных, в На основе датчика обучения он начнет обнаруживать формы.

Обучение без присмотра

Обучение без учителя — это неуправляемое обучение, при котором конечный результат неизвестен. Оно кластеризует набор данных и на основе схожих свойств объекта разделяет объекты на разные группы и обнаруживает объекты.

Здесь алгоритмы будут искать различные закономерности в необработанных данных и на основе этого группировать данные.Для кластеризации используется обучение без учителя.

Например, у нас могут быть разные объекты нескольких форм: квадрат, круг, треугольник, поэтому группы будут создаваться на основе свойств объекта: если у объекта четыре стороны, он будет считать его квадратным, а если у него три стороны, треугольником и если нет сторон, кроме круга, здесь данные не помечены, он научится самостоятельно обнаруживать различные формы

Уже есть много ответов, которые подробно объясняют различия.Я нашел эти гифки на кодовая академия и они часто помогают мне эффективно объяснить различия.

Контролируемое обучение

Обратите внимание, что обучающие изображения имеют здесь метки и что модель изучает названия изображений.

Обучение без присмотра

Обратите внимание, что здесь делается всего лишь группировка (кластеризация) и что модель ничего не знает ни об одном изображении.

Машинное обучение — это область, в которой вы пытаетесь создать машину, имитирующую поведение человека.

Вы тренируете машину, как ребенок. Точно так же, как люди учатся, определяют особенности, распознают закономерности и тренируются сами, точно так же вы тренируете машину, вводя данные с различными функциями.Машинный алгоритм идентифицирует закономерности в данных и классифицирует их по определенной категории.

Машинное обучение в целом делится на две категории: обучение с учителем и обучение без учителя.

Обучение с учителем — это концепция, в которой у вас есть входной вектор/данные с соответствующим целевым значением (выходом). С другой стороны, обучение без учителя — это концепция, в которой у вас есть только входные векторы/данные без какого-либо соответствующего целевого значения.

Примером контролируемого обучения является распознавание рукописных цифр, когда у вас есть изображение цифр, соответствующих цифрам [0–9], а примером неконтролируемого обучения является группировка клиентов по покупательскому поведению.

Лицензировано под: CC-BY-SA с атрибуция

Не связан с StackOverflow