Apprentissage supervisé et non supervisé : différence entre l'apprentissage supervisé et non supervisé

introduction

L'apprentissage automatique est généralement classé en trois types, à savoir l'apprentissage supervisé, l'apprentissage non supervisé et l'apprentissage par renforcement. L'apprentissage par renforcement est encore nouveau et en développement rapide, alors ignorons cela dans cet article et plongeons en profondeur dans l'apprentissage supervisé et non supervisé.

Avant d'aborder les définitions et les usages réels de ces deux types d'apprentissage, familiarisons-nous d'abord avec l'apprentissage automatique. L'apprentissage automatique est une application de l'intelligence artificielle qui fournit aux systèmes la capacité d'apprendre et de s'améliorer automatiquement à partir de l'expérience sans être explicitement programmé, ce n'est que la définition classique de l'apprentissage automatique car cet article est principalement écrit pour les débutants du domaine de la science des données et de l'intelligence artificielle. permettez-moi de rendre cela plus clair et intéressant pour vous afin que vous puissiez mieux le comprendre et l'interpréter.

Considérons un bébé comme notre machine et nous devons aider le bébé à apprendre les différents nombres de notre système de numération. Afin d'aider le bébé à apprendre, nous devons lui montrer un numéro différent et lui dire quel est chaque numéro.

Faire cette partie à plusieurs reprises aide le bébé à apprendre et à mémoriser les chiffres. Ce n'est rien d'autre que la capacité d'apprendre automatiquement et de s'améliorer à partir de l'expérience sans être explicitement programmé, c'est-à-dire Machine Learning.

Lire : Idées de projets d'apprentissage automatique

Enseignement supervisé

Recommençons avec la définition classique de l'apprentissage supervisé dans les manuels scolaires et familiarisons-nous avec l'exemple du bébé que nous avons pris plus tôt. L'apprentissage supervisé est la tâche d'apprentissage automatique consistant à apprendre une fonction qui mappe une entrée à une sortie en fonction d'exemples de paires entrée-sortie. Il déduit une fonction à partir de données d'apprentissage étiquetées consistant en un ensemble d'exemples d'apprentissage.

Je déteste les définitions qui sont écrites dans n'importe quel manuel car elles sont si formelles à comprendre, je préférerais plutôt qu'un ami explique la définition dans ses propres pensées. À la longue, chaque fois que j'essaie de me souvenir d'une définition, l'explication donnée par un ami avec un exemple apparaît finalement et me facilite la vie. Alors, dans cet article, permettez-moi d'être cet ami pour vous.

Reprenons l'exemple du bébé que nous avons considéré plus tôt, dans ce cas, nous devons faire apprendre au bébé et identifier les différents fruits que nous avons. Considérons Pomme et Orange comme nos deux fruits et commençons par montrer ces deux images au bébé. Nous disons aussi au bébé quelle image est quel fruit.

En regardant ces images, le bébé apprend que le fruit sera rond et que le fruit de couleur rouge est la pomme et que le fruit de couleur orange est l'orange. Montrons maintenant au bébé une nouvelle image d'Orange et demandons-lui de trouver si l'image est Apple ou Orange.

Le bébé prédit que le fruit est Orange. Le bébé prédit correctement le fruit comme orange parce que nous avons étiqueté les deux fruits comme pomme et orange en deux catégories et avons demandé au bébé d'apprendre quel fruit est quoi. C'est ainsi que fonctionne l'apprentissage automatique supervisé si nous remplaçons une machine par un bébé.

L'apprentissage automatique supervisé est en outre classé en deux types de problèmes appelés classification et régression.

Classification

D'après le nom lui-même, nous pouvons apprendre qu'il s'agit d'un problème d'apprentissage automatique où nous devons classer les données données en deux classes ou plus. L'exemple ci-dessus que nous avons pris est un problème de classification car nous devons classer les images données dans une classe Apple ou Orange.

Lorsque nous n'avons que deux classes pour classer nos données, cela s'appelle la classification binaire. Mais dans les données du monde réel, nous avons tendance à avoir plus d'une classe et c'est ce qu'on appelle la classification multi-classes. Ces types d'apprentissage sont utilisés par la majorité pour identifier les spams, classer les clients, vérifier si un client se détourne de l'opérateur, et bien d'autres cas d'utilisation.

Lisez aussi: Carrière en apprentissage automatique

Régression

La régression, quant à elle, traite des données continues telles que la prévision de votre salaire en fonction de l'expérience. Dans ce cas, nous n'avons pas besoin de placer les données dans des classes, mais nous devons prédire la valeur continue en fonction des données continues dont nous disposons.

Ces types de problèmes ont des colonnes continues dans leur ensemble de données alors que la classification a tendance à avoir des colonnes catégorielles. Ces types d'apprentissage sont utilisés pour prédire la croissance financière du prochain trimestre pour n'importe quelle entreprise, les notes des étudiants en fonction de leurs notes précédentes, et bien d'autres.

Apprentissage non supervisé

L'apprentissage non supervisé est un type d'apprentissage automatique qui recherche des modèles précédemment non détectés dans un ensemble de données sans étiquettes préexistantes et avec un minimum de supervision humaine.

Contrairement à l'apprentissage supervisé qui utilise généralement des données étiquetées par l'homme, l'apprentissage non supervisé, également connu sous le nom d'auto-organisation, permet la modélisation des densités de probabilité sur les entrées. Prenons l'exemple du bébé pour mieux comprendre l'apprentissage automatique non supervisé.

Utilisons un groupe d'images de chats et de chiens comme entrée dans cet exemple, dans les exemples précédents, le bébé sait que les images sont d'Apple et d'Orange comme nous les avons étiquetées et catégorisées.

Dans ce cas, le bébé ne sait rien et ne peut donc pas catégoriser lequel est un chat et lequel est un chien. Mais je peux dire que peu d'images se ressemblent par rapport aux autres. Dans ce cas, nous ne pouvons pas étiqueter les données, mais nous pouvons toujours trouver des modèles dans les données. C'est ainsi que fonctionne l'apprentissage automatique non supervisé.

Regroupement

L'exemple pris ci-dessus décrit clairement le problème de clustering, nous devons regrouper notre ensemble de données en fonction des modèles que nous trouvons dans nos données. Le clustering est un problème d'apprentissage automatique très important et de nombreuses entreprises ont tendance à utiliser cette technique pour trouver des modèles précieux, des informations à partir de leurs données.

Conclusion

Dans cet article, nous avons appris à connaître les différents types d'apprentissage automatique, compris ceux qui prennent un exemple facile à comprendre, étudié les autres divisions de chaque apprentissage. Cet article ne couvre que les bases des problèmes d'apprentissage automatique, chaque type de problème a différents types d'algorithmes d'apprentissage automatique.

Si vous souhaitez en savoir plus sur l'apprentissage automatique, consultez le diplôme PG en apprentissage automatique et IA de IIIT-B & upGrad, conçu pour les professionnels en activité et offrant plus de 450 heures de formation rigoureuse, plus de 30 études de cas et missions, IIIT- Statut B Alumni, plus de 5 projets de synthèse pratiques et aide à l'emploi avec les meilleures entreprises.