Învățare supravegheată vs învățare nesupravegheată: diferența dintre învățarea supravegheată și nesupravegheată

Introducere

Învățarea automată este în general clasificată în trei tipuri și anume Învățare supravegheată, Învățare nesupravegheată și Învățare prin consolidare. Învățarea prin întărire este încă nouă și în curs de dezvoltare rapidă, așa că să ignorăm acest lucru în acest articol și să ne aprofundăm în învățarea supravegheată și nesupravegheată.

Înainte de a trece la definițiile și utilizările reale ale acestor două tipuri de învățare, să ne familiarizăm mai întâi cu Machine Learning. Învățarea automată este o aplicație a inteligenței artificiale care oferă sistemelor capacitatea de a învăța și de a îmbunătăți automat din experiență, fără a fi programate în mod explicit, aceasta este doar definiția manuală a învățării automate, deoarece acest articol este scris în principal pentru începătorii din domeniul Științei datelor și al inteligenței artificiale. permiteți-mi să vă fac acest lucru mai clar și mai interesant, astfel încât să puteți înțelege și interpreta mai bine.

Să considerăm un copil ca fiind mașina noastră și trebuie să-l ajutăm să învețe diferitele numere din sistemul nostru de numere. Pentru a ajuta copilul să învețe, trebuie să îi arătăm copilului un număr diferit și să spunem care este fiecare număr.

Făcând această parte în mod repetat, copilul îl ajută să învețe și să memoreze numerele. Aceasta nu este altceva decât capacitatea de a învăța și de a îmbunătăți automat din experiență, fără a fi programat în mod explicit, adică învățarea automată.

Citiți: Idei de proiecte de învățare automată

Învățare supravegheată

Să începem din nou cu definiția clasică a manualului de învățare supervizată și să ne familiarizăm cu exemplul bebelușului pe care l-am luat mai devreme. Învățarea supravegheată este sarcina de învățare automată de a învăța o funcție care mapează o intrare la o ieșire pe baza exemplelor de perechi intrare-ieșire. Deduce o funcție din datele de antrenament etichetate, constând dintr-un set de exemple de antrenament.

Urăsc definițiile care sunt scrise în orice manual deoarece sunt atât de formale de înțeles, mai degrabă aș prefera ca un prieten să explice definiția în propriile gânduri. Pe termen lung, ori de câte ori încerc să-mi amintesc o definiție, în cele din urmă apare explicația dată de un prieten cu un exemplu și îmi face viața mai ușoară. Deci, în acest articol, permiteți-mi să fiu acel prieten pentru tine.

Să luăm din nou exemplul bebelușului pe care l-am considerat mai devreme, în acest caz, trebuie să-l facem pe copil să învețe și să identifice diferitele fructe pe care le avem. Să considerăm mărul și portocala drept cele două fructe ale noastre și începem să arătăm aceste două imagini copilului. De asemenea, îi spunem copilului care imagine este ce fruct.

Privind acele imagini, copilul învață că fructele vor fi rotunde, iar fructele de culoare roșie sunt măr, iar fructele de culoare portocalie sunt portocalii. Acum haideți să-i arătăm copilului o nouă poză cu Orange și să-l rugăm să afle dacă poza este Apple sau Orange.

Bebelușul prezice că fructul este portocaliu. Bebelușul prezice corect fructele ca portocale, deoarece am etichetat cele două fructe precum măr și portocală în două categorii și i-a cerut copilului să învețe ce fructe este ceea ce. Așa funcționează învățarea automată supravegheată dacă înlocuim o mașină cu un copil.

Învățarea automată supravegheată este clasificată în continuare în două tipuri de probleme cunoscute sub numele de Clasificare și Regresie.

Clasificare

Din numele în sine, putem afla că aceasta este o problemă de învățare automată în care trebuie să clasificăm datele date în două sau mai multe clase. Exemplul de mai sus pe care l-am luat este o problemă de clasificare, deoarece trebuie să clasificăm imaginile date într-o clasă Apple sau Orange.

Când avem doar două clase pentru a ne clasifica datele, atunci se numește clasificare binară. Dar în datele din lumea reală, avem tendința de a avea mai mult de o clasă și se numește Clasificare Multi-Class. Aceste tipuri de învățare sunt folosite de majoritatea pentru a identifica e-mailurile de tip spam, pentru a clasifica clienții, pentru a verifica dacă un client se abține de la operator și multe alte cazuri de utilizare.

Citește și: Carieră în Machine Learning

Regresia

Pe de altă parte, regresia se ocupă de date continue, cum ar fi prezicerea salariului pe baza experienței. În acest caz, nu trebuie să punem datele în nicio clasă, ci trebuie să prezicăm valoarea continuă pe baza datelor continue pe care le avem.

Aceste tipuri de probleme au coloane continue în setul lor de date, în timp ce Clasificarea tinde să aibă coloane categorice. Aceste tipuri de învățare sunt folosite pentru a prezice creșterea financiară în trimestrul următor pentru orice companie, notele studenților pe baza notelor sale anterioare și multe altele.

Învățare nesupravegheată

Învățarea nesupravegheată este un tip de învățare automată care caută modele nedetectate anterior într-un set de date fără etichete preexistente și cu un minim de supraveghere umană.

Spre deosebire de învățarea supravegheată care utilizează de obicei date etichetate de oameni, învățarea nesupravegheată, cunoscută și sub denumirea de auto-organizare, permite modelarea densităților de probabilitate pe intrări. Să luăm în considerare exemplul bebelușului pentru a înțelege mai bine învățarea automată nesupravegheată.

Să folosim un grup de imagini cu pisici și câini ca intrare în acest exemplu, în exemplele anterioare copilul știe că imaginile sunt cu Apple și Orange așa cum le-am etichetat și clasificat.

În acest caz, copilul nu știe nimic și, prin urmare, nu poate clasifica care dintre ele este o pisică și care este un câine. Dar pot spune că câteva dintre imagini arată similar în comparație cu celelalte câteva. În acest caz, nu putem eticheta datele, dar putem găsi în continuare modele în date. Acesta este modul în care funcționează învățarea automată nesupravegheată.

Clustering

Exemplul de mai sus descrie în mod clar problema Clustering-ului, trebuie să ne grupăm setul de date pe baza tiparelor pe care le găsim în datele noastre. Clustering-ul este o problemă foarte importantă de învățare automată și multe companii tind să folosească această tehnică pentru a găsi modele valoroase, perspective din datele lor.

Concluzie

În acest articol, am ajuns să cunoaștem diferitele tipuri de învățare automată, am ajuns să îi înțelegem pe cei care iau un exemplu ușor de înțeles, am investigat diviziunile ulterioare ale fiecărei învățări. Acest articol acoperă doar elementele de bază ale problemelor de învățare automată, fiecare tip de problemă are diferite tipuri de algoritmi de învățare automată.

Dacă sunteți interesat să aflați mai multe despre învățarea automată, consultați Diploma PG de la IIIT-B și upGrad în Învățare automată și AI, care este concepută pentru profesioniști care lucrează și oferă peste 450 de ore de pregătire riguroasă, peste 30 de studii de caz și sarcini, IIIT- B Statut de absolvenți, peste 5 proiecte practice practice și asistență pentru locuri de muncă cu firme de top.