Мени

Врсте машинског учења: Надгледано против ненадгледаног учења

  • Главни
  • Остало
  • Врсте машинског учења: Надгледано против ненадгледаног учења

types machine learning

Испробајте Наш Инструмент За Елиминисање Проблема

Овај водич објашњава типове машинског учења, тј. Надгледано, ненадзирано, ојачано и полунадгледано учење на једноставним примерима. Такође ћете научити разлике између учења под надзором против ненадгледаног:

У Претходни водич , научили смо о машинском учењу, његовом раду и апликацијама. Такође смо видели поређење машинског учења против вештачке интелигенције.

Машинско учење је област науке која се бави учењем рачунарских програма кроз искуство и предвиђањем резултата.

Главна карактеристика МЛ је учење из искуства. Учење се дешава када систем напајан улазним подацима за обуку промени своје параметре и прилагоди се дајући жељени излаз. Резултат је циљна вредност дефинисана у подацима о обуци.

=> Прочитајте комплетну серију обука за машинско учење

Врсте машинског учења

Шта ћете научити:

Врсте машинског учења

Програми машинског учења су класификовани у 3 врсте као што је приказано у наставку.

како уклонити елемент из низа јава
  • Надгледани
  • Без надзора
  • Учење ојачања

Разумимо детаљно сваку од њих !!

# 1) Надгледано учење

Учење под надзором се дешава у присуству супервизора, баш као и учење које изводи мало дете уз помоћ свог учитеља. Како се дете обучава да препозна воће, боје, бројеве под надзором наставника, ова метода се надгледа под надзором.

У овој методи, наставник проверава сваки дететов корак и дете на основу резултата које мора да произведе научи.

Како функционише надгледано учење?

У надгледаном алгоритму МЛ излаз је већ познат. Постоји мапирање улаза са излазом. Стога, да би се креирао модел, машина се напаја са пуно улазних података за обуку (са познатим улазом и одговарајућим излазом).

Подаци обуке помажу у постизању нивоа тачности за креирани модел података. Изграђени модел је сада спреман за напајање новим улазним подацима и предвиђање исхода.

Шта је означени скуп података?

Скуп података са излазима познатим за дати улаз назива се Означени скуп података. На пример, позната је слика воћа уз име воћа. Дакле, када се прикаже нова слика воћа, она се упоређује са сетом обуке за предвиђање одговора.

Надгледано учење је механизам брзог учења са великом тачношћу. Проблеми учења под надзором укључују проблеме регресије и класификације.

Неки од алгоритама учења под надзором су:

  • Стабла одлучивања,
  • К-Најближи сусед,
  • Линеарна регресија,
  • Подршка Вецтор Мацхине и
  • Неуронске мреже.

Пример учења под надзором

  • У првом кораку, скуп података о тренингу се шаље алгоритму машинског учења.
  • Са сетом података за обуку, машина се прилагођава, вршећи измене у параметрима за изградњу логичког модела.

Логицал_Модел - Пример надзираног алгоритма

  • Изграђени модел се затим користи за нови скуп података за предвиђање исхода.

Изграђени модел

Врсте алгоритама учења под надзором

  • Класификација: Код ове врсте проблема, одговор предвиђамо као специфичне класе, као што су „да“ или „не“. Када су присутне само 2 класе, то се назива Бинарна класификација. За више од 2 вредности класе назива се класификација више класа. Предвиђене вредности одзива су дискретне вредности. На пример, Да ли је то слика сунца или месеца? Алгоритам класификације раздваја податке у класе.
  • Регресија: Проблеми регресије предвиђају одговор као континуиране вредности, попут предвиђања вредности која се креће од-бесконачности до бесконачности. Може потрајати много вредности. На пример, алгоритам линеарне регресије који се примењује, предвиђа трошкове куће на основу многих параметара као што су локација, оближњи аеродром, величина куће итд.

# 2) Учење без надзора

Учење без надзора одвија се без помоћи надзорника баш као што риба учи сама да плива. То је независан процес учења.

У овом моделу, с обзиром да не постоји излаз мапиран са улазом, циљне вредности су непознате / необележене. Систем мора сам да учи од уноса података на њега и детектује скривене обрасце.

Шта је необележени скуп података?

Скуп података са непознатим излазним вредностима за све улазне вредности назива се необележени скуп података.

Како функционише учење без надзора?

Како не постоје познате излазне вредности које се могу користити за изградњу логичког модела између улаза и излаза, неке технике се користе за минирање правила података, образаца и група података са сличним типовима. Ове групе помажу крајњим корисницима да боље разумију податке, као и да пронађу смислен излаз.

Улазни улази нису у облику одговарајуће структуре баш као што су подаци о обуци (у учењу под надзором). Може садржавати одступања, бучне податке итд. Ови улази се заједно доводе у систем. Током обуке модела, улазни подаци су организовани да формирају кластере.

Алгоритми учења без надзора укључују алгоритме кластера и удруживања, као што су:

  • Априори,
  • К-значи кластерирање и други алгоритми рударства правила придруживања.

Када се нови подаци достављају моделу, он ће предвидети исход као ознаку класе којој улаз припада. Ако ознака класе није присутна, генерисаће се нова класа.

Док пролази кроз процес откривања образаца у подацима, модел сам прилагођава своје параметре, па се стога назива и самоорганизовањем. Кластери ће се формирати откривањем сличности међу улазним подацима.

На пример, док купујете производе путем Интернета, ако се путер стави у корпу, онда се предлаже куповина хлеба, сира итд. Модел без надзора надгледа тачке података и предвиђа остале атрибуте који су повезани са производом.

Пример учења без надзора

Пример учења без надзора

Врсте алгоритама без надзора

  • Алгоритам кластера : Методе проналажења сличности између података као што су исти облик, величина, боја, цена итд. И њихово груписање у кластер је кластер анализа.
  • Откривање ванземаљаца : У овој методи, скуп података је тражење било каквих разлика и аномалија у подацима. На пример, систем за откривање превара открива трансакцију велике вредности на кредитној картици.
  • Удружење правила рударства : У овој врсти рударства открива најчешће постављене скупове предмета или асоцијације између елемената. Асоцијације попут „производа који се често купују заједно“ итд.
  • Аутоенкодери: Улаз се компресује у кодирани облик и поново креира за уклањање бучних података. Ова техника се користи за побољшање квалитета слике и видео записа.

# 3) Учење ојачања

У овој врсти учења алгоритам учи помоћу механизма повратних информација и прошлих искустава. Увек је пожељно да се сваки корак у алгоритму предузме да би се постигао циљ.

Дакле, кад год треба предузети следећи корак, он добија повратне информације из претходног корака, заједно са искуством из искуства да предвиди шта би могао бити следећи најбољи корак. Овај процес се назива и поступак покушаја и грешака ради постизања циља.

Учење с појачањем је дуготрајни понављајући процес. Што је више повратних информација, систем постаје тачнији. Учење основног појачања назива се и Марковов процес одлучивања.

Пример учвршћивања учења

Пример учвршћивања учења су видео игре, где играчи завршавају одређене нивое игре и освајају наградне бодове. Игра пружа повратне информације играчу кроз бонус потезе ради побољшања његових / њених перформанси.

Учење за појачање се користи у обуци робота, аутомобила на сопствени погон, аутоматског управљања залихама итд.

Неки популарни алгоритми учвршћивања укључују:

  • К-учење,
  • Дубоке контрадикторне мреже
  • Привремена разлика

Слика испод описује механизам повратних информација учвршћивања учења.

  1. Улаз посматра агент који је елемент АИ.
  2. Овај агент АИ делује на животну средину у складу са донетом одлуком.
  3. Одговор околине шаље се АИ у облику награде као повратне информације.
  4. Такође се чувају стање и радње извршене на животну средину.

механизам повратне спреге учвршћивања учења

(слика извор )

Пример стварног живота надзираног и ненадгледаног учења

За учење под надзором:

# 1) Узмимо пример корпе поврћа са луком, шаргарепом, ротквицом, парадајзом итд., А можемо их распоредити у облику група.

#два) Израђујемо табелу података о обуци како бисмо разумели надгледано учење.

Табела података о тренингу карактерише поврће на основу:

  • Облик
  • Боја
  • Величина
Облик Боја Величина Поврће
Тачније је од ненадгледаног учења јер су улазни подаци и одговарајући излази добро познати, а машина треба само да даје предвиђања.Има мање тачности јер су улазни подаци необележени. Стога машина прво мора да разуме и означи податке, а затим да предвиђања.
ОкруглиБраонВеликиЛук
ОкруглиНетоСредњеПарадајз
ЦилиндричнибеоВеликиРотквица
ЦилиндричниНетоСредњеШаргарепа

Када се ова табела података о тренингу пошаље машини, она ће изградити логични модел користећи облик, боју, величину поврћа итд., Да би предвидела исход (поврће).

Како се овом моделу даје нови улаз, алгоритам ће анализирати параметре и дати име плода.

За учење без надзора:

У учењу без надзора ствара групе или кластере на основу атрибута. У горњем скупу података узорка, параметри поврћа су:

# 1) Облик

Поврће се групише према облику.

  • Роунд: Лук и парадајз.
  • Цилиндрични: Ротквица и шаргарепа.

Узмите други параметар као што је величина.

# 2) Величина

Поврће се групише на основу величине и облика:

  • Средње величине и округлог облика: Парадајз
  • Велика величина и округли облик: Лук

У ненадгледаном учењу немамо ниједан скуп података о обуци и променљиву исхода, док су у надгледаном учењу подаци о обуци познати и користе се за обуку алгоритма.

Разлика између учења под надзором против ненадгледаног учења

Надгледани Без надзора
У надгледаним алгоритмима учења излаз за дати инпут је познат.У алгоритмима учења без надзора, излаз за дати инпут је непознат.
Алгоритми уче из означеног скупа података. Ови подаци помажу у процени тачности података о обуци.Алгоритам има необележене податке где покушава да пронађе обрасце и асоцијације између ставки података.
То је техника предиктивног моделирања која тачно предвиђа будуће исходе.То је техника описног моделирања која објашњава стварни однос између елемената и историје елемената.
Укључује алгоритме класификације и регресије.Обухвата алгоритме учења правила кластера и придруживања.
Неки алгоритми учења под надзором су Линеарна регресија, Наивни Баиес и Неурал Нетворкс.Неки алгоритми за учење без надзора су к- значи кластерисање, Априори итд.
Ова врста учења је релативно сложена јер захтева означене податке.Мање је сложен јер нема потребе за разумевањем и означавањем података.
То је мрежни процес анализе података и не захтева људску интеракцију.Ово је анализа података у реалном времену.

Полунадгледано учење

Приступ полунадгледаног учења узима и означене и необележене податке о обуци. Ова врста учења корисна је када је тешко извући корисне карактеристике из необележених података (надгледани приступ), а стручњаци за податке тешко означавају улазне податке (ненадгледани приступ).

Само мала количина означених података у овим алгоритмима може довести до тачности модела.

Примери полуконтролисаног учења укључују ЦТ скенирање и МРИ, где медицински стручњак може да означи неколико тачака у скенирањима за било коју болест, док је тешко обележити сва скенирања.

Закључак

Задаци машинског учења широко су класификовани на задатке под надзором, без надзора, полунадгледања и ојачавања.

Учење под надзором је учење уз помоћ означених података. МЛ алгоритми се садрже скуповима података за обуку у којима је за сваки улазни податак познат излаз, да би се предвидели будући исходи.

Овај модел је изузетно прецизан и брз, али захтева велику стручност и време за изградњу. Такође, ови модели захтевају поновну изградњу ако се подаци промене. Задаци МЛ, попут регресије и класификације, изводе се у надгледаном окружењу за учење.

Учење без надзора одвија се без помоћи супервизора. Улазни подаци који се достављају у алгоритме МЛ нису обележени, тј. За сваки улаз није познат ниједан излаз. Сам алгоритам открива трендове и образац улазних података и ствара везу између различитих атрибута улазних података.

Ова врста учења корисна је за проналажење образаца у подацима, стварање кластера података и анализу у реалном времену. Задаци као што су кластерисање, КНН алгоритми итд. Спадају у учење без надзора.

Задаци полунадгледаног учења су предност надгледаног и ненадгледаног алгоритма предвиђањем исхода користећи и означене и необележене податке. Учење ојачавања је врста механизма повратних информација где машина учи из сталних повратних информација из околине да би постигла свој циљ.

У овој врсти учења, АИ агенти извршавају неке радње на подацима и окружење даје награду. Учење за појачање користе игре за више играча за децу, самовозећи аутомобили итд.

Пратите наш предстојећи водич да бисте сазнали више о машинском учењу и вештачкој неуронској мрежи!

=> Посетите овде за ексклузивну серију машинског учења

Препоручено читање

^