Контролируемое и неконтролируемое обучение: разница между контролируемым и неконтролируемым обучением

Введение

Машинное обучение в целом подразделяется на три типа: обучение с учителем, обучение без учителя и обучение с подкреплением. Обучение с подкреплением все еще является новым и находится в стадии быстрого развития, поэтому давайте просто проигнорируем это в этой статье и углубимся в контролируемое и неконтролируемое обучение.

Прежде чем перейти к фактическим определениям и использованию этих двух типов обучения, давайте сначала познакомимся с машинным обучением. Машинное обучение — это приложение искусственного интеллекта, которое предоставляет системам возможность автоматически учиться и совершенствоваться на основе опыта без явного программирования. Это просто определение машинного обучения из учебника, поскольку эта статья в основном написана для новичков в области науки о данных и искусственного интеллекта. позвольте мне сделать это более ясным и интересным для вас, чтобы вы могли лучше понять и интерпретировать это.

Давайте рассмотрим ребенка как нашу машину, и нам нужно помочь ребенку выучить различные числа в нашей системе счисления. Чтобы помочь ребенку научиться, нам нужно показать ребенку разные числа и назвать каждое число.

Повторное выполнение этой части помогает ребенку выучить и запомнить числа. Это не что иное, как способность автоматически учиться и совершенствоваться на основе опыта без явного программирования, т.е. машинного обучения.

Читайте: Идеи проекта машинного обучения

Контролируемое обучение

Давайте снова начнем с классического хрестоматийного определения контролируемого обучения и познакомимся с примером ребенка, который мы уже приводили ранее. Обучение с учителем — это задача машинного обучения для изучения функции, которая сопоставляет входные данные с выходными на основе примеров пар вход-выход. Он выводит функцию из помеченных обучающих данных, состоящих из набора обучающих примеров.

Я ненавижу определения, которые написаны в любом учебнике, поскольку они настолько формальны для понимания, скорее я бы предпочел, чтобы друг объяснял определение в своих мыслях. В конце концов, всякий раз, когда я пытаюсь вспомнить определение, в конце концов всплывает объяснение, данное другом с примером, и это облегчает мою жизнь. Итак, в этой статье позвольте мне быть вашим другом.

Давайте снова возьмем пример ребенка, который мы рассмотрели ранее, в этом случае нам нужно заставить ребенка учиться и определять различные фрукты, которые у нас есть. Давайте рассмотрим яблоко и апельсин как наши два фрукта и начнем с того, что покажем эти две картинки малышу. Мы также говорим малышу, на какой картинке какой фрукт.

Глядя на эти картинки, ребенок узнает, что фрукт будет круглым, а фрукт красного цвета — это яблоко, а фрукт оранжевого цвета — это апельсин. Теперь давайте покажем малышу новую картинку Апельсина и попросим его определить, яблоко это или Апельсин.

Младенец предсказывает, что фрукт оранжевый. Ребенок правильно предсказывает, что фрукт будет апельсином, потому что мы пометили два фрукта, таких как яблоко и апельсин, на две категории и попросили ребенка узнать, что это за фрукт. Вот как работает управляемое машинное обучение, если мы заменим машину ребенком.

Машинное обучение с учителем далее подразделяется на два типа задач, известных как классификация и регрессия.

Классификация

Из самого названия мы можем узнать, что это проблема машинного обучения, когда нам нужно классифицировать данные по двум или более классам. Приведенный выше пример, который мы взяли, представляет собой проблему классификации, поскольку нам нужно классифицировать данные изображения по классам Apple или Orange.

Когда у нас есть только два класса для классификации наших данных, это называется двоичной классификацией. Но в реальных данных мы, как правило, имеем более одного класса, и это называется многоклассовой классификацией. Эти типы обучения используются большинством для выявления спам-писем, классификации клиентов, проверки того, уходит ли клиент от оператора, и во многих других случаях использования.

Читайте также: Карьера в машинном обучении

Регрессия

С другой стороны, регрессия имеет дело с непрерывными данными, такими как прогнозирование вашей зарплаты на основе опыта. В этом случае нам не нужно помещать данные в какие-либо классы, но нам нужно прогнозировать непрерывное значение на основе имеющихся у нас непрерывных данных.

Эти типы проблем имеют непрерывные столбцы в своем наборе данных, тогда как классификация имеет тенденцию иметь категориальные столбцы. Эти типы обучения используются для прогнозирования финансового роста в следующем квартале для любой компании, оценок студентов на основе его предыдущих оценок и многого другого.

Неконтролируемое обучение

Неконтролируемое обучение — это тип машинного обучения, который ищет ранее необнаруженные шаблоны в наборе данных без ранее существовавших меток и при минимальном контроле со стороны человека.

В отличие от обучения с учителем, в котором обычно используются данные, помеченные человеком, обучение без учителя, также известное как самоорганизация, позволяет моделировать плотность вероятности по входным данным. Давайте рассмотрим детский пример, чтобы лучше понять неконтролируемое машинное обучение.

Давайте в этом примере воспользуемся группой изображений кошек и собак в качестве входных данных. В более ранних примерах ребенок знает, что на картинках изображены яблоки и апельсины, как мы их обозначили и классифицировали.

В этом случае ребенок ничего не знает и, следовательно, не может классифицировать, кто из них кошка, а кто собака. Но могу сказать, что немногие из картинок выглядят одинаково по сравнению с другими немногими. В этом случае мы не можем пометить данные, но все равно можем найти закономерности в данных. Так работает неконтролируемое машинное обучение.

Кластеризация

Приведенный выше пример ясно описывает проблему кластеризации: нам нужно сгруппировать наш набор данных на основе шаблонов, которые мы находим в наших данных. Кластеризация — очень важная проблема машинного обучения, и многие компании склонны использовать эту технику для поиска ценных закономерностей и выводов из своих данных.

Заключение

В этой статье мы узнали о различных типах машинного обучения, поняли тех, кто взял простой для понимания пример, исследовали дальнейшие подразделения каждого обучения. В этой статье рассматриваются только основы проблем машинного обучения, каждый тип проблемы имеет разные типы алгоритмов машинного обучения.

Если вам интересно узнать больше о машинном обучении, ознакомьтесь с дипломом PG IIIT-B и upGrad в области машинного обучения и искусственного интеллекта, который предназначен для работающих профессионалов и предлагает более 450 часов тщательного обучения, более 30 тематических исследований и заданий, IIIT- Статус B Alumni, более 5 практических практических проектов и помощь в трудоустройстве в ведущих фирмах.