Učenie pod dohľadom a bez dozoru sú dve techniky strojového učenia. Obe techniky sa však používajú v rôznych scenároch a s rôznymi súbormi údajov. Nižšie je uvedené vysvetlenie oboch metód učenia spolu s ich rozdielovou tabuľkou.
Strojové učenie pod dohľadom:
Učenie pod dohľadom je metóda strojového učenia, pri ktorej sa modely trénujú pomocou označených údajov. V riadenom učení modely potrebujú nájsť mapovaciu funkciu na mapovanie vstupnej premennej (X) s výstupnou premennou (Y).
reťazec na celé číslo
Učenie pod dohľadom potrebuje dohľad na trénovanie modelu, čo je podobné, ako keď sa študent učí veci v prítomnosti učiteľa. Učenie pod dohľadom možno použiť na dva typy problémov: Klasifikácia a Regresia .
Uč sa viac Strojové učenie pod dohľadom
Príklad: Predpokladajme, že máme obraz rôznych druhov ovocia. Úlohou nášho kontrolovaného vzdelávacieho modelu je identifikovať ovocie a podľa toho ich klasifikovať. Aby sme teda identifikovali obrázok v kontrolovanom učení, poskytneme vstupné údaje, ako aj výstup, čo znamená, že model natrénujeme podľa tvaru, veľkosti, farby a chuti každého ovocia. Po dokončení školenia otestujeme model tým, že dáme nový súbor ovocia. Model identifikuje ovocie a predpovedá výstup pomocou vhodného algoritmu.
Strojové učenie bez dozoru:
Učenie bez dozoru je ďalšou metódou strojového učenia, pri ktorej sa vzory odvodzujú z neoznačených vstupných údajov. Cieľom učenia bez dozoru je nájsť štruktúru a vzory zo vstupných údajov. Učenie bez dozoru nepotrebuje žiadny dozor. Namiesto toho nájde vzory z údajov vlastnými silami.
Uč sa viac Strojové učenie bez dozoru
Učenie bez dozoru možno použiť na dva typy problémov: Zhlukovanie a asociácie .
Príklad: Aby sme pochopili učenie bez dozoru, použijeme príklad uvedený vyššie. Takže na rozdiel od kontrolovaného učenia tu nebudeme poskytovať modelom žiadny dohľad. Len poskytneme vstupný súbor údajov modelu a umožníme modelu nájsť vzory z údajov. Pomocou vhodného algoritmu sa model sám natrénuje a rozdelí plody do rôznych skupín podľa najpodobnejších vlastností medzi nimi.
Hlavné rozdiely medzi učením pod dohľadom a učením bez dozoru sú uvedené nižšie:
vlc sťahujte videá z youtube
| Učenie pod dohľadom | Učenie bez dozoru |
|---|---|
| Algoritmy učenia pod dohľadom sú trénované pomocou označených údajov. | Algoritmy učenia bez dozoru sa trénujú pomocou neoznačených údajov. |
| Model učenia pod dohľadom využíva priamu spätnú väzbu na kontrolu, či predpovedá správny výstup alebo nie. | Model učenia bez dozoru neprijíma žiadnu spätnú väzbu. |
| Model učenia pod dohľadom predpovedá výstup. | Model učenia bez dozoru nájde skryté vzorce v údajoch. |
| Pri kontrolovanom učení sa vstupné údaje poskytujú modelu spolu s výstupom. | Pri učení bez dozoru sa modelu poskytujú iba vstupné údaje. |
| Cieľom kontrolovaného učenia je trénovať model tak, aby mohol predpovedať výstup, keď dostane nové údaje. | Cieľom učenia bez dozoru je nájsť skryté vzorce a užitočné poznatky z neznámeho súboru údajov. |
| Učenie pod dohľadom potrebuje na trénovanie modelu dohľad. | Učenie bez dozoru nepotrebuje na trénovanie modelu žiadny dozor. |
| Učenie pod dohľadom môže byť kategorizované do Klasifikácia a Regresia problémy. | Učenie bez dozoru možno klasifikovať do Zhlukovanie a združenia problémy. |
| Riadené učenie je možné použiť v tých prípadoch, keď poznáme vstup, ako aj zodpovedajúce výstupy. | Učenie bez dozoru možno použiť v prípadoch, keď máme len vstupné dáta a žiadne zodpovedajúce výstupné dáta. |
| Model učenia pod dohľadom poskytuje presný výsledok. | Model učenia bez dozoru môže poskytnúť menej presné výsledky v porovnaní s učením pod dohľadom. |
| Riadené učenie sa nepodobá skutočnej umelej inteligencii, pretože v tomto model najprv trénujeme pre každý údaj a až potom dokáže predpovedať správny výstup. | Učenie bez dozoru sa viac približuje skutočnej umelej inteligencii, pretože sa učí podobne, ako sa dieťa na základe svojich skúseností učí veciam každodenného života. |
| Zahŕňa rôzne algoritmy, ako je lineárna regresia, logistická regresia, podporný vektorový stroj, klasifikácia viacerých tried, rozhodovací strom, bayesovská logika atď. | Zahŕňa rôzne algoritmy, ako je Clustering, KNN a Apriori algoritmus. |