教師あり学習と教師なし学習：教師あり学習と教師なし学習の違い

序章

機械学習は、教師あり学習、教師なし学習、強化学習の3つのタイプに大きく分類されます。 強化学習はまだ新しく、急速に発展しているので、この記事ではそれを無視して、教師あり学習と教師なし学習について詳しく見ていきましょう。

これら2種類の学習の実際の定義と使用法に移る前に、まず機械学習について理解しましょう。 機械学習は、明示的にプログラムすることなく、経験から自動的に学習して改善する機能をシステムに提供する人工知能のアプリケーションです。この記事は主にデータサイエンスと人工知能の分野の初心者向けに書かれているため、これは機械学習の教科書の定義にすぎません。あなたがそれをよりよく理解し、解釈できるように、これをあなたにとってより明確で興味深いものにしましょう。

赤ちゃんを私たちの機械と考えてみましょう。赤ちゃんが私たちの記数法でさまざまな数字を学ぶのを助ける必要があります。 赤ちゃんが学ぶのを助けるために、私たちは赤ちゃんに異なる番号を示し、それぞれの番号が何であるかを伝える必要があります。

この部分を繰り返し行うと、赤ちゃんは数字を学び、覚えるのに役立ちます。 これは、明示的にプログラムされていない、つまり機械学習なしで、経験から自動的に学習して改善する能力に他なりません。

読む：機械学習プロジェクトのアイデア

教師あり学習

教師あり学習の古典的な教科書の定義からもう一度始めて、以前に取った赤ちゃんの例に慣れてみましょう。 教師あり学習は、入出力ペアの例に基づいて入力を出力にマッピングする関数を学習する機械学習タスクです。 一連のトレーニング例で構成されるラベル付きトレーニングデータから関数を推測します。

教科書に書かれている定義はとても形式的に理解できるので嫌いです。むしろ、友人が自分の考えで定義を説明することを望んでいます。 長い目で見れば、定義を思い出そうとすると、やがて友人からの例を挙げた説明が出てきて、私の生活が楽になります。 ですから、この記事では、私をあなたの友達にさせてください。

もう一度、前に検討した赤ちゃんの例を見てみましょう。この場合、赤ちゃんに学習させ、私たちが持っているさまざまな果物を特定する必要があります。 アップルとオレンジを2つの果物と考えて、これら2つの写真を赤ちゃんに見せることから始めましょう。 また、どの絵がどの果物であるかを赤ちゃんに伝えます。

それらの写真を見ると、赤ちゃんは果物が丸くなり、赤い色の果物がリンゴで、オレンジ色の果物がオレンジ色であることを学びます。 それでは、赤ちゃんにオレンジの新しい写真を見せて、その写真がアップルかオレンジかを調べてもらいましょう。

赤ちゃんは果物がオレンジであると予測します。 アップルとオレンジのような2つの果物を2つのカテゴリに分類し、赤ちゃんにどの果物が何であるかを学習するように依頼したため、赤ちゃんは果物をオレンジとして正しく予測します。 これは、機械を赤ちゃんに置き換える場合の教師あり機械学習の仕組みです。

教師あり機械学習は、分類と回帰として知られる2つのタイプの問題にさらに分類されます。

分類

名前自体から、これは機械学習の問題であり、特定のデータを2つ以上のクラスに分類する必要があることがわかります。 上記の例は、特定の写真をAppleまたはOrangeクラスに分類する必要があるため、分類の問題です。

データを分類するクラスが2つしかない場合、それは二項分類と呼ばれます。 しかし、実際のデータでは、複数のクラスが存在する傾向があり、それはマルチクラス分類と呼ばれます。 これらのタイプの学習は、スパムメールの識別、顧客の分類、顧客がオペレーターから離れているかどうかを確認するため、およびその他の多くのユースケースで大多数が使用しています。

また読む：機械学習のキャリア

回帰

一方、回帰は、経験に基づいて給与を予測するなどの継続的なデータを扱います。 この場合、データをクラスに入れる必要はありませんが、持っている連続データに基づいて連続値を予測する必要があります。

これらのタイプの問題では、データセットに連続した列がありますが、分類にはカテゴリ列がある傾向があります。 これらのタイプの学習は、企業の次の四半期の経済成長、以前のマークに基づく学生のマークなどを予測するために使用されます。

教師なし学習

教師なし学習は、既存のラベルがなく、最小限の人間による監視で、データセット内の以前に検出されなかったパターンを探す機械学習の一種です。

通常、人間がラベル付けしたデータを使用する教師あり学習とは対照的に、教師なし学習は、自己組織化とも呼ばれ、入力に対する確率密度のモデリングを可能にします。 教師なし機械学習をよりよく理解するために、赤ちゃんの例を考えてみましょう。

この例では、猫と犬の写真のグループを入力として使用します。前の例では、赤ちゃんは、ラベルを付けて分類したので、写真がAppleとOrangeのものであることを知っています。

この場合、赤ちゃんは何も知らないので、どちらが猫でどちらが犬かを分類できません。 しかし、他のいくつかの写真と比較した場合、いくつかの写真が似ていることがわかります。 この場合、データにラベルを付けることはできませんが、データ内のパターンを見つけることはできます。 これが教師なし機械学習の仕組みです。

クラスタリング

上記の例は、クラスタリングの問題を明確に説明しています。データにあるパターンに基づいてデータセットをクラスタリングする必要があります。 クラスタリングは非常に重要な機械学習の問題であり、多くの企業はこの手法を使用して、データから貴重なパターンや洞察を見つける傾向があります。

結論

この記事では、さまざまなタイプの機械学習について理解し、わかりやすい例を挙げてそれらを理解し、各学習のさらなる区分を調査しました。 この記事では、機械学習の問題の基本のみを取り上げます。問題の種類ごとに、機械学習アルゴリズムの種類が異なります。

機械学習について詳しく知りたい場合は、IIIT-BとupGradの機械学習とAIのPGディプロマをご覧ください。これは、働く専門家向けに設計されており、450時間以上の厳格なトレーニング、30以上のケーススタディと課題、IIIT-を提供します。 B卒業生のステータス、5つ以上の実践的なキャップストーンプロジェクト、トップ企業との仕事の支援。