Johdatus ohjattavaan oppimiseen ja ohjaamattomaan oppimiseen
Ohjattu oppiminen ja ohjaamaton oppiminen ovat koneoppimistehtäviä.
Ohjattu oppiminen on yksinkertaisesti prosessin oppimisalgoritmia koulutustiedot. Ohjattu oppiminen on silloin, kun sinulla on sisääntulomuuttujat ja lähtömuuttujat ja käytät algoritmia oppimaan kartoitustoiminto panoksesta ulostuloon. Tavoitteena on lähentää kartoitusfunktiota niin, että kun meillä on uusia syöttötietoja, voimme ennustaa tuotoksen lähtömuuttujat.
Ohjaamaton oppiminen on datan taustalla olevan tai piilotetun rakenteen tai jakauman mallintaa, jotta lisätietoja saadaan. Ohjaamaton oppiminen on silloin, kun sinulla on vain tulotietoja eikä vastaavia lähtömuuttujia.
Harjoitteluaineisto: Oppimisessa käytetty esimerkki, jonka tavoitearvo tunnetaan.
Head to Head -vertailut ohjatun oppimisen ja ohjaamattoman oppimisen välillä (infografia)
Alla on seitsemän parhainta vertailua ohjatun oppimisen ja ohjaamattoman oppimisen välillä
Keskeiset erot ohjatun oppimisen ja ohjaamattoman oppimisen välillä
Alla on luettelo pisteistä, kuvaile tärkeimmät erot ohjatun oppimisen ja ohjaamattoman oppimisen välillä
1. Koneoppimisalgoritmit havaitsevat mallit isoissa tiedoissa. Nämä erilaiset algoritmit voidaan luokitella kahteen luokkaan sen perusteella, miten he “oppivat” tietojaan ennusteiden tekemiseksi. Niitä ohjataan ja ohjataan ilman oppimista.
2. Ohjatussa oppimisessa tutkija toimii oppaana opettamaan algoritmille, mitä johtopäätöksiä tai ennusteita sen tulisi tehdä. Valvomattomassa oppimisessa ei ole oikeaa vastausta, ei ole opettajaa, algoritmit jätetään heidän itsensä tutkimaan ja esittämään datan mielenkiintoinen piilotettu rakenne.
3. Ohjattu oppimismalli käyttää koulutustietoja oppimaan linkin tulon ja tuotoksen välillä.
4. Ohjaamaton oppiminen ei käytä lähtödataa. Valvomattomassa oppimisessa heillä ei ole mitään merkittyä ennakkotietoa, kun taas ohjatussa oppimisessa on pääsy tarroihin ja etukäteen tietoaineistoista.
5. Ohjattu oppiminen: Ajatuksena on, että koulutus voidaan yleistää ja mallia voidaan käyttää uuteen tietoon tietyllä tarkkuudella.
6. Ohjatut oppimisalgoritmit: Tukivektorikone, Lineaarinen ja logistinen regressio, Neuraaliverkko, Luokittelupuut ja satunnainen metsä jne.
7. Valvomattomat algoritmit voidaan jakaa eri luokkiin: Klusterialgoritmit, K-keinot, Hierarkkinen klusterointi, Dimensionaaliset vähennysalgoritmit, Anomalia-havainnot jne.
8. Luokittelu- ja regressioalueen laajalti käytetyt algoritmit ohjatussa oppimisessa. Tukivektorikoneet (SVM) ovat valvottuja koneoppimismalleja ja niihin liittyviä oppimisalgoritmeja, joita voidaan käyttää sekä luokitteluun että regressioon, mutta enimmäkseen luokitteluongelmiin.
9. SVM-mallissa piirrämme jokaisen tietoyksikön pisteenä n-ulotteisessa tilassa (missä n on ominaisuuksia, jotka meillä on), jolloin jokaisen ominaisuuden arvot ovat tietyn koordinaatin arvo. Sitten luokittelu suoritetaan etsimällä kaksi tasoa erottava hyperkortti.
10.Respressioalgoritmien päätavoite on ennustaa diskreetti tai jatkuva arvo. Joissakin tapauksissa ennustettua arvoa voidaan käyttää määrittämien lineaarisen suhteen tunnistamiseen. Ongelmaeron perusteella voidaan käyttää regressioalgoritmeja. Jotkut perusregressioalgoritmeista ovat lineaarinen regressio, polynominen regressio jne.
11.Klusterointia käytetään laajasti ohjaamattomassa oppimisessa. Klusteroinnin tehtävänä on jakaa tietopisteet ryhmien lukumäärään siten, että samat ominaisuuspisteet ovat yhdessä klusterin muodossa. Klusterointialgoritmeja on enemmän; harvoja niistä ovat liitettävyysmallit, centroidimallit, jakelu- ja tiheysmallit.
12.Hierarkkinen klusterointi tapahtuu ilman ohjausta. Hierarkkinen klusterointi, kuten nimestä voi päätellä, on algoritmi, joka rakentaa klusterien hierarkian. Tämä algoritmi alkaa kaikilla datapisteillä, jotka on osoitettu omalle klusterille. Sitten kaksi lähintä klusteria sulautetaan samaan klusteriin. Loppujen lopuksi tämä algoritmi päättyy, kun jäljellä on vain yksi klusteri.
13.KMeans kuuluu valvomatta klusterointimenetelmää. Tiedot jaotellaan k klusteriin niiden ominaisuuksien perusteella. Jokainen klusteri edustaa sen keskikohtaa, joka määritetään klusterin pisteiden keskuksena. KMeans on yksinkertainen ja nopea, mutta se ei anna samaa tulosta jokaisella ajolla.
14.Jotta ymmärrät paremmin ohjatun ja ohjaamattoman oppimisen, otetaan esimerkkejä tosielämästä. Ohjattu oppiminen: Otetaan esimerkiksi yksi Gmail-toiminnoista, joka on roskapostia. Roskapostitiedoista aikaisemman tiedon perusteella uuden saapuvan sähköpostin suodattaminen Saapuneet-kansioon tai Roskakoriin-kansioon. Tässä skenaariossa Gmail on mallinnettu kartoitustoiminnoksi tulevan postin erottamiseksi postien aiemman tietämyksen perusteella. Tämä on valvottu oppiminen.
15. Ohjaamaton oppiminen: Oletetaan, että ystävä kutsuu sinut juhlaansa, jossa tapaat uusia ihmisiä. Nyt luokittelet heidät ilman ennakkotietoa (ohjaamaton oppiminen), ja tällä luokittelulla voi olla mikä tahansa piirre. Se voi olla ikäryhmä, sukupuoli, pukeutuminen, koulutustaso tai mikä tahansa haluamasi tapa. Koska et käyttänyt aikaisempaa tietoa ihmisistä ja luokitellut heitä, se kuuluu ohjaamattoman oppimisen piiriin.
Ohjattu oppiminen vs. ilman ohjausta oppimisen vertailutaulukko
| Ohjattu oppiminen | Ohjaamaton oppiminen | |
|
Menetelmä | Tulo- ja lähtömuuttujat annetaan. | Vain syöttötiedot annetaan |
|
Päämäärä | Ohjattu oppimistavoite on määrittää toiminto niin hyvin, että kun uusi syöttötietojoukko annetaan, se voi ennustaa tuotoksen. | Ohjaamaton oppimistavoite on mallintaa tietyn syöttötiedon piilotetut mallit tai taustalla oleva rakenne oppiaksesi tiedot. |
|
luokka | Koneoppimisongelmat, tiedon louhinta ja hermoverkko, | Koneoppiminen, tiedon louhinta, ongelmat ja hermoverkko |
|
esimerkit |
|
|
| Kuka käyttää | Tietotieteilijät | Tietotieteilijät |
|
Eco-järjestelmät |
Suurten tietojen käsittely, tiedon louhinta jne | Suurten tietojen käsittely, tiedon louhinta jne |
|
käyttötarkoitukset |
Ohjattua oppimista käytetään usein vientijärjestelmiin kuvan tunnistamisessa, puheentunnistuksessa, ennustamisessa, taloudellisessa analyysissä ja hermoverkkojen ja päätöksentekopuiden kouluttamisessa jne. | Valvomattomia oppimisalgoritmeja käytetään tietojen esikäsittelyyn, etsivän analyysin aikana tai esiohjattuihin ohjattuihin oppimisalgoritmeihin. |
Johtopäätös - Ohjattu oppiminen vs.
Valitsemana joko valvottu tai valvomaton koneoppimisalgoritmi riippuu tyypillisesti tekijöistä, jotka liittyvät tietosi rakenteeseen ja määrään sekä käyttötapaukseen. Todellisuudessa datatutkijat käyttävät ohjatun oppimisen ja ohjaamattoman oppimisen lähestymistapoja useimmiten yhdessä käyttötavan ratkaisemiseksi.
Suositeltava artikkeli
Tämä on ollut opas ohjattuun oppimiseen vs. ohjaamattomasta oppimisesta, niiden merkityksestä, vertailusta pään ja pään välillä, keskeiset erot, vertailutaulukko ja johtopäätökset. Voit myös katsoa seuraavia artikkeleita saadaksesi lisätietoja -
- Paras 7 vertailu ohjatun oppimisen ja vahvistusoppimisen välillä
- 5 hyödyllisin ero tietojenkäsittelytieteen ja koneoppimisen välillä
- Opi 10 parasta eroa kartan välillä Vähennä vs. lanka
- MapReduce vs Apache Spark - 20 hyödyllistä vertailua oppimiseen
- Mikä on vahvistusoppiminen?