Рубрики

Обучение под надзором и без присмотра

Контролируемое обучение

Обучение под надзором как имя указывает на присутствие руководителя в качестве учителя. Обучение в основном под наблюдением — это обучение, в котором мы обучаем или обучаем машину, используя данные, которые хорошо помечены, что означает, что некоторые данные уже помечены с правильным ответом. После этого машине предоставляется новый набор примеров (данных), так что контролируемый алгоритм обучения анализирует данные обучения (набор примеров обучения) и выдает правильный результат на основе помеченных данных.

Например , предположим, вам дают корзину, заполненную различными видами фруктов. Теперь первый шаг — тренировать машину со всеми разными фруктами один за другим, как это:

  • Если форма объекта округлена, а углубление сверху имеет красный цвет, то оно будет помечено как — Apple .
  • Если форма объекта представляет собой длинный изогнутый цилиндр, имеющий цвет зелено-желтый, то он будет помечен как — Банан .

Теперь предположим, что после обучения данных вы дали новый отдельный фрукт, например, «Банан» из корзины, и попросили его идентифицировать.

Так как машина уже научилась чему-то из предыдущих данных и на этот раз ее нужно использовать с умом. Сначала он классифицирует фрукты по форме и цвету и подтвердит название плода как BANANA и поместит его в категорию бананов. Таким образом, машина изучает данные на основе данных обучения (корзина с фруктами), а затем применяет полученные знания для проверки данных (новые фрукты).

Контролируемое обучение подразделяется на две категории алгоритмов:

  • Классификация . Проблема классификации заключается в том, что выходной переменной является категория, такая как «Красный» или «Синий» или «Болезнь» и «Нет болезни».
  • Регрессия : проблема регрессии заключается в том, что выходная переменная представляет собой реальное значение, такое как «доллары» или «вес».

Неконтролируемое обучение

Обучение без учителя — это тренировка машины с использованием информации, которая не классифицирована и не помечена и позволяет алгоритму воздействовать на эту информацию без руководства. Здесь задача машины состоит в том, чтобы сгруппировать несортированную информацию по сходствам, шаблонам и различиям без предварительной подготовки данных.

В отличие от контролируемого обучения, нет учителя, что означает, что машина не будет обучена. Поэтому машина ограничена, чтобы найти скрытую структуру в немаркированных данных самим собой.
Например , предположим, что дано изображение с собаками и кошками, которые никогда не видели.

Таким образом, машина не имеет представления об особенностях собак и кошек, поэтому мы не можем классифицировать ее у собак и кошек. Но он может классифицировать их в соответствии с их сходством, моделями и различиями, т. Е. Мы можем легко классифицировать вышеупомянутую картину на две части. Первый первый может содержать все фотографии с собаками, а второй — все фотографии с кошками . Здесь вы ничего не изучали раньше, значит, нет тренировочных данных или примеров.

Обучение без учителя подразделяется на две категории алгоритмов:

  • Кластеризация . Проблема кластеризации заключается в том, что вы хотите обнаружить присущие им группы данных, такие как группировка клиентов по покупательскому поведению.
  • Ассоциация . Проблема изучения правил ассоциации заключается в том, что вы хотите обнаружить правила, которые описывают большие части ваших данных, например, люди, которые покупают X, также склонны покупать Y.

Ссылки:
https://dataaspirant.wordpress.com/2014/09/19/supervised-and-unsupervised-learning/

Эта статья предоставлена Shubham Bansal . Если вы как GeeksforGeeks и хотели бы внести свой вклад, вы также можете написать статью с помощью contribute.geeksforgeeks.org или отправить вашу статью содействовать @ geeksforgeeksorg. Смотрите свою статью, появляющуюся на главной странице GeeksforGeeks, и помогите другим вундеркиндам.

Рекомендуемые посты:

Обучение под надзором и без присмотра

0.00 (0%) 0 votes