V predchádzajúcej téme sme sa naučili riadené strojové učenie, v ktorom sú modely trénované pomocou označených údajov pod dohľadom trénovacích údajov. Môže však nastať veľa prípadov, keď nemáme označené údaje a potrebujeme nájsť skryté vzory z daného súboru údajov. Takže na vyriešenie takýchto typov prípadov v strojovom učení potrebujeme techniky učenia bez dozoru.

Čo je učenie bez dozoru?

Ako už názov napovedá, učenie bez dozoru je technika strojového učenia, pri ktorej modely nie sú kontrolované pomocou tréningového súboru údajov. Namiesto toho samotné modely nachádzajú skryté vzorce a poznatky z daných údajov. Dá sa to prirovnať k učeniu, ktoré prebieha v ľudskom mozgu pri učení sa novým veciam. Dá sa definovať ako:

stojace

Učenie bez dozoru je typ strojového učenia, pri ktorom sa modely trénujú pomocou neoznačeného súboru údajov a môžu s týmito údajmi pracovať bez akéhokoľvek dohľadu.

Učenie bez dozoru nemožno priamo aplikovať na regresný alebo klasifikačný problém, pretože na rozdiel od učenia pod dohľadom máme vstupné údaje, ale žiadne zodpovedajúce výstupné údaje. Cieľom učenia bez dozoru je nájsť základnú štruktúru súboru údajov, zoskupiť tieto údaje podľa podobností a reprezentovať tento súbor údajov v komprimovanom formáte .

Príklad: Predpokladajme, že algoritmus učenia bez dozoru dostane vstupný súbor údajov obsahujúci obrázky rôznych typov mačiek a psov. Algoritmus nie je nikdy trénovaný na daný súbor údajov, čo znamená, že nemá žiadnu predstavu o vlastnostiach súboru údajov. Úlohou algoritmu učenia bez dozoru je samostatne identifikovať vlastnosti obrazu. Algoritmus učenia bez dozoru vykoná túto úlohu zhlukom súboru údajov o obrázku do skupín podľa podobností medzi obrázkami.

Prečo používať učenie bez dozoru?

Nižšie sú uvedené niektoré hlavné dôvody, ktoré popisujú dôležitosť učenia bez dozoru:

• Učenie bez dozoru je užitočné pri hľadaní užitočných poznatkov z údajov.
• Učenie bez dozoru je veľmi podobné tomu, ako sa človek učí myslieť na základe vlastných skúseností, čím sa približuje k skutočnej AI.
• Učenie bez dozoru funguje na neoznačených a nekategorizovaných údajoch, vďaka ktorým je učenie bez dozoru dôležitejšie.
• V reálnom svete nemáme vždy vstupné údaje s príslušným výstupom, takže na vyriešenie takýchto prípadov potrebujeme učenie bez dozoru.

Fungovanie učenia bez dozoru

Fungovanie učenia bez dozoru možno pochopiť pomocou nasledujúceho diagramu:

Tu sme vzali neoznačené vstupné údaje, čo znamená, že nie sú kategorizované a zodpovedajúce výstupy tiež nie sú uvedené. Teraz sa tieto neoznačené vstupné údaje privádzajú do modelu strojového učenia, aby sa mohli trénovať. Po prvé, bude interpretovať nespracované údaje, aby našiel skryté vzory z údajov, a potom použije vhodné algoritmy, ako je klastrovanie k-means, rozhodovací strom atď.

Keď algoritmus aplikuje vhodný algoritmus, rozdelí dátové objekty do skupín podľa podobností a rozdielov medzi objektmi.

vek dharmendra

Typy algoritmu učenia bez dozoru:

Algoritmus učenia bez dozoru možno ďalej kategorizovať do dvoch typov problémov:

Zhlukovanie: Klastrovanie je metóda zoskupovania objektov do zhlukov tak, že objekty s najväčšou podobnosťou zostávajú v skupine a majú menšiu alebo žiadnu podobnosť s objektmi inej skupiny. Klastrová analýza nájde spoločné znaky medzi dátovými objektmi a kategorizuje ich podľa prítomnosti a neprítomnosti týchto spoločných znakov.asociácie: Asociačné pravidlo je metóda učenia bez dozoru, ktorá sa používa na nájdenie vzťahov medzi premennými vo veľkej databáze. Určuje množinu položiek, ktoré sa v množine údajov vyskytujú spoločne. Asociačné pravidlo zefektívňuje marketingovú stratégiu. Napríklad ľudia, ktorí si kúpia X položky (predpokladajme, že chlieb), majú tiež tendenciu kupovať Y (maslo/džem). Typickým príkladom pravidla asociácie je analýza trhového koša.

Poznámka: Tieto algoritmy sa naučíme v neskorších kapitolách.

Algoritmy učenia bez dozoru:

Nižšie je uvedený zoznam niektorých populárnych algoritmov učenia bez dozoru:

K-znamená zhlukovanie KNN (k-najbližší susedia) Hierarchálne zhlukovanie Detekcia anomálií Neurálne siete Analýza základných komponentov Nezávislá analýza komponentov Apriori algoritmus Singulárna dekompozícia hodnoty

Výhody učenia bez dozoru

• Učenie bez dozoru sa používa na zložitejšie úlohy v porovnaní s učením pod dohľadom, pretože pri učení bez dozoru nemáme označené vstupné údaje.
• Uprednostňuje sa učenie bez dozoru, pretože je ľahké získať neoznačené údaje v porovnaní s označenými údajmi.

Nevýhody učenia bez dozoru

• Učenie bez dozoru je vo svojej podstate ťažšie ako učenie pod dohľadom, pretože nemá zodpovedajúci výstup.
• Výsledok algoritmu učenia bez dozoru môže byť menej presný, pretože vstupné údaje nie sú označené a algoritmy vopred nepoznajú presný výstup.