Apprendimento supervisionato e non supervisionato: differenza tra apprendimento supervisionato e non supervisionato

introduzione

L'apprendimento automatico è ampiamente classificato in tre tipi: apprendimento supervisionato, apprendimento non supervisionato e apprendimento per rinforzo. L'apprendimento per rinforzo è ancora nuovo e in rapido sviluppo, quindi ignoriamolo in questo articolo e approfondiamo l'apprendimento supervisionato e non supervisionato.

Prima di passare alle definizioni e agli usi effettivi di questi due tipi di apprendimento, prima di tutto acquisiamo familiarità con l'apprendimento automatico. L'apprendimento automatico è un'applicazione dell'intelligenza artificiale che fornisce ai sistemi la capacità di apprendere e migliorare automaticamente dall'esperienza senza essere programmati in modo esplicito, questa è solo la definizione da manuale di apprendimento automatico poiché questo articolo è scritto principalmente per i neofiti del campo della scienza dei dati e dell'intelligenza artificiale permettimi di renderlo più chiaro e interessante per te in modo che tu possa capirlo e interpretarlo meglio.

Consideriamo un bambino come la nostra macchina e abbiamo bisogno di aiutare il bambino a imparare i diversi numeri nel nostro sistema numerico. Per aiutare il bambino a imparare, dobbiamo mostrare al bambino un numero diverso e dirgli qual è ogni numero.

Fare questa parte ripetutamente aiuta il bambino ad imparare e memorizzare i numeri. Questa non è altro che la capacità di apprendere e migliorare automaticamente dall'esperienza senza essere programmati in modo esplicito, ad esempio Machine Learning.

Leggi: Idee per progetti di apprendimento automatico

Apprendimento supervisionato

Ricominciamo con la classica definizione da manuale di Apprendimento Supervisionato e prendiamo familiarità con l'esempio del bambino che abbiamo preso in precedenza. L'apprendimento supervisionato è l'attività di apprendimento automatico per l'apprendimento di una funzione che mappa un input su un output in base a coppie input-output di esempio. Deduce una funzione dai dati di addestramento etichettati costituiti da una serie di esempi di addestramento.

Odio le definizioni che sono scritte in qualsiasi libro di testo in quanto sono così formali da capire, piuttosto preferirei un amico che spiegasse la definizione nei suoi pensieri. Alla lunga ogni volta che cerco di ricordare una definizione, alla fine la spiegazione data da un amico con un esempio salta fuori e mi semplifica la vita. Quindi, in questo articolo lasciami essere quell'amico per te.

Riprendiamo l'esempio del bambino che abbiamo considerato in precedenza, in questo caso dobbiamo far imparare al bambino e identificare i diversi frutti che abbiamo. Consideriamo la mela e l'arancia come i nostri due frutti e iniziamo mostrando queste due immagini al bambino. Diciamo anche al bambino quale immagine è quale frutto.

Guardando quelle immagini il bambino impara che la frutta sarà rotonda e la frutta di colore rosso è mela e la frutta di colore arancione è arancione. Ora mostriamo al bambino una nuova foto di Orange e chiediamogli di scoprire se l'immagine è Apple o Orange.

Il bambino prevede che il frutto sia Arancio. Il bambino prevede correttamente il frutto come Arancia perché abbiamo etichettato i due frutti come Mela e Arancio in due categorie e ha chiesto al bambino di sapere quale frutto è cosa. Ecco come funziona il Supervised Machine Learning se sostituiamo una macchina con un bambino.

L'apprendimento automatico supervisionato è ulteriormente classificato in due tipi di problemi noti come Classificazione e Regressione.

Classificazione

Dal nome stesso, possiamo sapere che si tratta di un problema di Machine Learning in cui è necessario classificare i dati forniti in due o più classi. L'esempio sopra che abbiamo preso è un problema di classificazione poiché dobbiamo classificare le immagini fornite in una classe Apple o Orange.

Quando abbiamo solo due classi per classificare i nostri dati, si parla di classificazione binaria. Ma nei dati del mondo reale, tendiamo ad avere più di una classe e si chiama Classificazione multiclasse. Questi tipi di apprendimento vengono utilizzati dalla maggioranza per identificare le e-mail di spam, classificare i clienti, verificare se un cliente abbandona l'operatore e molti altri casi d'uso.

Leggi anche: Carriera nell'apprendimento automatico

Regressione

La regressione d'altra parte si occupa di dati continui come prevedere il tuo stipendio in base all'esperienza. In questo caso, non è necessario inserire i dati in nessuna classe, ma è necessario prevedere il valore continuo in base ai dati continui di cui disponiamo.

Questi tipi di problemi hanno colonne continue nel loro set di dati mentre Classificazione tende ad avere colonne categoriali. Questi tipi di apprendimento vengono utilizzati per prevedere la crescita finanziaria nel prossimo trimestre per qualsiasi azienda, i voti degli studenti in base ai voti precedenti e molti altri.

Apprendimento senza supervisione

L'apprendimento non supervisionato è un tipo di apprendimento automatico che cerca modelli precedentemente non rilevati in un set di dati senza etichette preesistenti e con un minimo di supervisione umana.

Contrariamente all'apprendimento supervisionato che di solito fa uso di dati etichettati dall'uomo, l'apprendimento non supervisionato, noto anche come auto-organizzazione, consente la modellazione delle densità di probabilità sugli input. Consideriamo l'esempio del bambino per comprendere meglio l'apprendimento automatico non supervisionato.

Usiamo un gruppo di immagini di cani e gatti come input in questo esempio, negli esempi precedenti il ​​bambino sa che le immagini sono di Apple e Orange come le abbiamo etichettate e classificate.

In questo caso, il bambino non sa nulla e quindi non può classificare quale sia un gatto e quale sia un cane. Ma posso dire che poche delle immagini sembrano simili rispetto alle altre poche. In questo caso, non possiamo etichettare i dati, ma possiamo comunque trovare modelli nei dati. Ecco come funziona l'apprendimento automatico non supervisionato.

Raggruppamento

L'esempio sopra riportato descrive chiaramente il problema del Clustering, abbiamo bisogno di raggruppare il nostro set di dati in base ai modelli che troviamo nei nostri dati. Il clustering è un problema di Machine Learning molto importante e molte aziende tendono a utilizzare questa tecnica per trovare modelli preziosi e approfondimenti dai propri dati.

Conclusione

In questo articolo, abbiamo avuto modo di conoscere i diversi tipi di Machine Learning, abbiamo compreso coloro che hanno preso un esempio di facile comprensione, abbiamo studiato le ulteriori divisioni di ciascun apprendimento. Questo articolo copre solo le nozioni di base dei problemi di Machine Learning, ogni tipo di problema ha diversi tipi di algoritmi di Machine Learning.

Se sei interessato a saperne di più sull'apprendimento automatico, dai un'occhiata al Diploma PG di IIIT-B e upGrad in Machine Learning e AI, progettato per i professionisti che lavorano e offre oltre 450 ore di formazione rigorosa, oltre 30 casi di studio e incarichi, IIIT- B Status di Alumni, oltre 5 progetti pratici pratici e assistenza sul lavoro con le migliori aziende.