การเรียนรู้ภายใต้การดูแลกับการเรียนรู้ที่ไม่ได้รับการดูแล: ความแตกต่างระหว่างการเรียนรู้ภายใต้การดูแลและการเรียนรู้ที่ไม่ได้อยู่ภายใต้การดูแล

บทนำ

Machine Learning แบ่งออกเป็น 3 ประเภทใหญ่ๆ ได้แก่ Supervised Learning, Unsupervised Learning และ Reinforcement Learning การเรียนรู้การเสริมกำลังยังคงเป็นเรื่องใหม่และอยู่ภายใต้การพัฒนาอย่างรวดเร็ว ดังนั้นเราไม่ต้องสนใจในบทความนี้และเจาะลึกลงไปในการเรียนรู้ภายใต้การดูแลและการเรียนรู้ที่ไม่ได้ดูแล

ก่อนที่จะเข้าสู่คำจำกัดความและการใช้งานจริงของการเรียนรู้ทั้งสองประเภทนี้ เรามาทำความคุ้นเคยกับแมชชีนเลิร์นนิงก่อน แมชชีนเลิร์นนิงเป็นแอปพลิเคชั่นของปัญญาประดิษฐ์ที่ให้ระบบสามารถเรียนรู้และปรับปรุงจากประสบการณ์โดยอัตโนมัติโดยไม่ต้องตั้งโปรแกรมไว้อย่างชัดเจน นี่เป็นเพียงคำจำกัดความในตำราเรียนของการเรียนรู้ของเครื่องเนื่องจากบทความนี้เขียนขึ้นสำหรับมือใหม่ในสาขาวิทยาศาสตร์ข้อมูลและปัญญาประดิษฐ์เป็นหลัก ข้าพเจ้าขอชี้แจงเรื่องนี้ให้ชัดเจนและน่าสนใจยิ่งขึ้นเพื่อท่านจะเข้าใจและตีความได้ดีขึ้น

ให้เราถือว่าทารกเป็นเครื่องจักรของเรา และเราจำเป็นต้องช่วยให้ทารกเรียนรู้ตัวเลขต่างๆ ในระบบตัวเลขของเรา เพื่อช่วยให้ทารกเรียนรู้ เราต้องให้ทารกดูหมายเลขที่แตกต่างกันและบอกว่าแต่ละหมายเลขคืออะไร

การทำส่วนนี้ซ้ำๆ ช่วยให้ทารกเรียนรู้และจดจำตัวเลขได้ นี่ไม่ใช่อะไรนอกจากความสามารถในการเรียนรู้และปรับปรุงจากประสบการณ์โดยอัตโนมัติโดยไม่ต้องตั้งโปรแกรมไว้อย่างชัดเจน เช่น การเรียนรู้ของเครื่อง

อ่าน: แนวคิดโครงการการเรียนรู้ของเครื่อง

การเรียนรู้ภายใต้การดูแล

เรามาเริ่มต้นกันใหม่กับคำจำกัดความหนังสือเรียนคลาสสิกของ Supervised Learning และทำความคุ้นเคยกับตัวอย่างทารกที่เรายกตัวอย่างไปก่อนหน้านี้ การเรียนรู้ภายใต้การดูแลเป็นงานการเรียนรู้ของเครื่องในการเรียนรู้ฟังก์ชันที่จับคู่อินพุตกับเอาต์พุตตามตัวอย่างคู่อินพุต-เอาต์พุต โดยสรุปฟังก์ชันจากข้อมูลการฝึกที่มีป้ายกำกับซึ่งประกอบด้วยชุดตัวอย่างการฝึก

ฉันเกลียดคำจำกัดความที่เขียนในตำราเรียนใด ๆ เพราะมันเป็นทางการมากที่จะเข้าใจ ค่อนข้างฉันต้องการให้เพื่อนอธิบายคำจำกัดความในความคิดของเขาเอง ในระยะยาวเมื่อใดก็ตามที่ฉันพยายามจำคำจำกัดความ ในที่สุดคำอธิบายของเพื่อนที่มีตัวอย่างก็ปรากฏขึ้นและทำให้ชีวิตฉันง่ายขึ้น ดังนั้นในบทความนี้ ให้ฉันเป็นเพื่อนกับคุณ

ให้เรายกตัวอย่างทารกที่เราพิจารณาก่อนหน้านี้อีกครั้ง ในกรณีนี้ เราจำเป็นต้องทำให้ทารกเรียนรู้และระบุผลไม้ต่างๆ ที่เรามี ให้เราพิจารณาแอปเปิ้ลและส้มเป็นผลไม้สองชิ้นของเรา และเราเริ่มต้นด้วยการแสดงภาพสองภาพนี้แก่ทารก นอกจากนี้เรายังบอกทารกว่าภาพใดเป็นผลไม้

เมื่อดูภาพเหล่านั้น ทารกก็เรียนรู้ว่าผลจะกลมและผลไม้สีแดงคือแอปเปิ้ลและผลไม้สีส้มคือสีส้ม ตอนนี้ให้เราแสดงภาพใหม่ของ Orange ให้ลูกน้อยดูและขอให้เขาค้นหาว่าภาพนั้นเป็น Apple หรือ Orange

ลูกทำนายว่าผลเป็นสีส้ม ทารกทำนายผลไม้เป็นสีส้มได้อย่างถูกต้อง เพราะเราได้จำแนกผลไม้สองชนิดเช่นแอปเปิ้ลและส้มเป็นสองประเภท และได้ขอให้ทารกเรียนรู้ว่าผลไม้คืออะไร นี่คือการทำงานของ Supervised Machine Learning หากเราเปลี่ยนเครื่องเป็นลูก

แมชชีนเลิร์นนิงภายใต้การดูแลถูกแบ่งออกเป็นสองประเภทของปัญหาที่เรียกว่าการจำแนกและการถดถอย

การจำแนกประเภท

จากชื่อตัวเอง เราสามารถเรียนรู้ว่านี่เป็นปัญหาของ Machine Learning ซึ่งเราจำเป็นต้องจัดประเภทข้อมูลที่กำหนดในสองชั้นเรียนขึ้นไป ตัวอย่างด้านบนที่เราถ่ายคือปัญหาการจำแนกประเภท เนื่องจากเราต้องจัดประเภทรูปภาพที่กำหนดเป็นคลาส Apple หรือ Orange

เมื่อเรามีเพียงสองคลาสในการจัดประเภทข้อมูลของเรา จะถูกเรียกว่าการจำแนกแบบไบนารี แต่ในข้อมูลในโลกแห่งความเป็นจริง เรามักจะมีมากกว่าหนึ่งคลาสและเรียกว่า Multi-Classification การเรียนรู้ประเภทนี้ส่วนใหญ่จะใช้เพื่อระบุอีเมลขยะ จัดประเภทลูกค้า เพื่อตรวจสอบว่าลูกค้าเลิกใช้งานจากผู้ให้บริการหรือไม่ และกรณีการใช้งานอื่นๆ อีกมากมาย

อ่านเพิ่มเติม: อาชีพในการเรียนรู้ของเครื่อง

การถดถอย

ในทางกลับกัน การถดถอยเกี่ยวข้องกับข้อมูลอย่างต่อเนื่อง เช่น การคาดคะเนเงินเดือนของคุณตามประสบการณ์ ในกรณีนี้ เราไม่จำเป็นต้องใส่ข้อมูลลงในคลาสใดๆ แต่จำเป็นต้องทำนายค่าต่อเนื่องตามข้อมูลต่อเนื่องที่เรามี

ปัญหาประเภทนี้มีคอลัมน์ต่อเนื่องในชุดข้อมูล ในขณะที่การจำแนกประเภทมักจะมีคอลัมน์ที่จัดหมวดหมู่ การเรียนรู้ประเภทนี้ใช้เพื่อคาดการณ์การเติบโตทางการเงินในไตรมาสหน้าสำหรับบริษัทใดๆ ก็ตาม คะแนนของนักเรียนจากคะแนนก่อนหน้าของเขา และอื่นๆ อีกมากมาย

การเรียนรู้แบบไม่มีผู้ดูแล

การเรียนรู้แบบไม่มีผู้ดูแลเป็นประเภทของการเรียนรู้ของเครื่องที่มองหารูปแบบที่ตรวจไม่พบก่อนหน้านี้ในชุดข้อมูลที่ไม่มีป้ายกำกับที่มีอยู่แล้วและมีการควบคุมดูแลขั้นต่ำของมนุษย์

ตรงกันข้ามกับการเรียนรู้ภายใต้การดูแลซึ่งมักจะใช้ข้อมูลที่ติดฉลากโดยมนุษย์ การเรียนรู้แบบไม่มีผู้ดูแลหรือที่เรียกว่าการจัดองค์กรด้วยตนเอง อนุญาตให้สร้างแบบจำลองความหนาแน่นของความน่าจะเป็นเหนืออินพุต ให้เราพิจารณาตัวอย่างทารกเพื่อให้เข้าใจ Unsupervised Machine Learning มากขึ้น

ให้เราใช้รูปภาพของแมวและสุนัขกลุ่มหนึ่งเป็นตัวป้อนในตัวอย่างนี้ ในตัวอย่างก่อนหน้านี้ ทารกรู้ว่ารูปภาพนั้นเป็นของ Apple และ Orange ตามที่เราติดป้ายกำกับและจัดหมวดหมู่

ในกรณีนี้ ทารกไม่รู้อะไรเลยจึงไม่สามารถจัดหมวดหมู่ได้ว่าอันไหนเป็นแมวและอันไหนเป็นสุนัข แต่บอกได้เลยว่าภาพบางภาพดูคล้ายกันเมื่อเทียบกับภาพอื่นๆ ในกรณีนี้ เราไม่สามารถติดป้ายกำกับข้อมูลได้ แต่เรายังสามารถค้นหารูปแบบในข้อมูลได้ นี่คือการทำงานของแมชชีนเลิร์นนิงแบบไม่มีผู้ดูแล

การจัดกลุ่ม

ตัวอย่างข้างต้นอธิบายปัญหาการทำคลัสเตอร์ได้อย่างชัดเจน เราจำเป็นต้องจัดกลุ่มชุดข้อมูลตามรูปแบบที่เราพบในข้อมูลของเรา การทำคลัสเตอร์เป็นปัญหาที่สำคัญมากของแมชชีนเลิร์นนิง และหลายบริษัทมักจะใช้เทคนิคนี้เพื่อค้นหารูปแบบที่มีค่า ข้อมูลเชิงลึกจากข้อมูลของพวกเขา

บทสรุป

ในบทความนี้ เราได้ทำความรู้จักกับ Machine Learning ประเภทต่างๆ ทำความเข้าใจกับตัวอย่างที่เข้าใจง่าย สำรวจส่วนเพิ่มเติมของการเรียนรู้แต่ละรายการ บทความนี้ครอบคลุมเฉพาะปัญหาพื้นฐานของแมชชีนเลิร์นนิ่ง ปัญหาแต่ละประเภทมีอัลกอริธึมการเรียนรู้ของเครื่องแตกต่างกัน

หากคุณสนใจที่จะเรียนรู้เพิ่มเติมเกี่ยวกับแมชชีนเลิร์นนิง โปรดดูที่ IIIT-B & upGrad's PG Diploma in Machine Learning & AI ซึ่งออกแบบมาสำหรับมืออาชีพที่ทำงานและมีการฝึกอบรมที่เข้มงวดมากกว่า 450 ชั่วโมง กรณีศึกษาและการมอบหมายมากกว่า 30 รายการ IIIT- สถานะศิษย์เก่า B, 5+ โครงการหลักที่ใช้งานได้จริง & ความช่วยเหลือด้านงานกับบริษัทชั้นนำ