Denetimli ve Denetimsiz Öğrenme: Denetimli ve Denetimsiz Öğrenme Arasındaki Fark

Tanıtım

Makine Öğrenimi genel olarak Denetimli Öğrenme, Denetimsiz Öğrenme ve Takviyeli Öğrenme olmak üzere üç türe ayrılır. Takviyeli öğrenme hala yeni ve hızlı bir şekilde geliştiriliyor, bu yüzden bu makalede bunu görmezden gelelim ve Denetimli ve Denetimsiz Öğrenmeye derinlemesine dalalım.

Bu iki öğrenme türünün gerçek tanımlarına ve kullanımlarına geçmeden önce, Makine Öğrenmesine aşina olalım. Makine öğrenimi, sistemlere açıkça programlanmadan otomatik olarak öğrenme ve deneyimden iyileştirme yeteneği sağlayan bir yapay zeka uygulamasıdır, bu makale esas olarak Veri Bilimi ve Yapay Zeka alanında yeni başlayanlar için yazıldığından, bu yalnızca Makine Öğreniminin ders kitabı tanımıdır. Bunu sizin için daha açık ve ilginç hale getirmeme izin verin, böylece daha iyi anlayabilir ve yorumlayabilirsiniz.

Bir bebeği makinemiz olarak düşünelim ve bebeğin sayı sistemimizdeki farklı sayıları öğrenmesine yardım etmemiz gerekiyor. Bebeğin öğrenmesine yardımcı olmak için bebeğe farklı bir sayı göstermemiz ve her sayının ne olduğunu söylememiz gerekir.

Bu bölümü tekrar tekrar yapmak bebeğin sayıları öğrenmesine ve ezberlemesine yardımcı olur. Bu, açıkça programlanmadan, yani Makine Öğrenimi gibi, deneyimlerden otomatik olarak öğrenme ve gelişme yeteneğinden başka bir şey değildir.

Okuyun: Makine Öğrenimi Proje Fikirleri

Denetimli Öğrenme

Denetimli Öğrenmenin klasik ders kitabı tanımıyla yeniden başlayalım ve daha önce aldığımız bebek örneğine aşina olalım. Denetimli öğrenme, örnek girdi-çıktı çiftlerine dayalı olarak bir girdiyi bir çıktıya eşleyen bir işlevi öğrenmenin makine öğrenimi görevidir. Bir dizi eğitim örneğinden oluşan etiketli eğitim verilerinden bir işlev çıkarır.

Herhangi bir ders kitabında yazılan tanımları anlamak çok resmi olduğu için nefret ediyorum, bunun yerine tanımı kendi düşüncesinde açıklayan bir arkadaşımı tercih ederim. Uzun vadede ne zaman bir tanımı hatırlamaya çalışsam, sonunda bir arkadaşımın örnekle yaptığı açıklama çıkıyor ve hayatımı kolaylaştırıyor. Öyleyse, bu yazıda senin için o arkadaş olmama izin ver.

Daha önce ele aldığımız bebek örneğini tekrar ele alalım, bu durumda bebeğin elimizdeki farklı meyveleri öğrenmesini ve tanımlamasını sağlamamız gerekiyor. Elma ve Portakalı iki meyvemiz olarak ele alalım ve bu iki resmi bebeğe göstererek başlayalım. Bebeğe hangi resmin hangi meyve olduğunu da söyleriz.

Bebek bu resimlere bakarak meyvenin yuvarlak ve kırmızı renkli meyvenin Elma ve turuncu renkli meyvenin Portakal olduğunu öğrenir. Şimdi bebeğe Orange'ın yeni bir resmini gösterelim ve ondan resmin Elma mı yoksa Portakal mı olduğunu bulmasını isteyelim.

Bebek meyvenin Turuncu olduğunu tahmin eder. Elma ve Portakal gibi iki meyveyi iki kategoriye ayırdık ve bebekten meyvenin ne olduğunu öğrenmesini istediğimiz için bebek meyveyi Portakal olarak doğru tahmin ediyor. Bir makineyi bir bebekle değiştirirsek, Denetimli Makine Öğrenimi bu şekilde çalışır.

Denetimli Makine Öğrenimi ayrıca Sınıflandırma ve Regresyon olarak bilinen iki tür soruna ayrılır.

sınıflandırma

Adından, bunun, verilen verileri iki veya daha fazla sınıfta sınıflandırmamız gereken bir Makine Öğrenimi problemi olduğunu anlayabiliriz. Aldığımız yukarıdaki örnek, verilen resimleri bir Apple veya Orange sınıfına sınıflandırmamız gerektiğinden bir Sınıflandırma problemidir.

Verilerimizi sınıflandırmak için yalnızca iki sınıfımız olduğunda buna İkili Sınıflandırma denir. Ancak gerçek dünya verilerinde, birden fazla sınıfa sahip olma eğilimindeyiz ve buna Çok Sınıflı Sınıflandırma denir. Bu tür öğrenmeler çoğunluk tarafından istenmeyen e-postaları belirlemek, müşterileri sınıflandırmak, bir müşterinin operatörden çıkıp çıkmadığını kontrol etmek ve daha birçok kullanım durumu için kullanılır.

Ayrıca Okuyun: Makine Öğreniminde Kariyer

regresyon

Regresyon ise deneyime dayalı maaşınızı tahmin etmek gibi sürekli verilerle ilgilenir. Bu durumda, verileri herhangi bir sınıfa koymamıza gerek yoktur, ancak elimizdeki sürekli verilere dayanarak sürekli değeri tahmin etmemiz gerekir.

Bu tür problemlerin veri setlerinde sürekli sütunlar bulunurken, Sınıflandırma kategorik sütunlara sahip olma eğilimindedir. Bu öğrenme türleri, herhangi bir şirketin gelecek çeyrekteki finansal büyümesini, önceki notlarına dayalı öğrenci notlarını ve daha fazlasını tahmin etmek için kullanılır.

Denetimsiz Öğrenme

Denetimsiz öğrenme, önceden var olan etiketler olmadan ve minimum insan denetimiyle bir veri kümesinde önceden tespit edilmemiş kalıpları arayan bir tür makine öğrenimidir.

Genellikle insan tarafından etiketlenen verileri kullanan denetimli öğrenmenin aksine, kendi kendine organizasyon olarak da bilinen denetimsiz öğrenme, girdiler üzerinden olasılık yoğunluklarının modellenmesine izin verir. Denetimsiz Makine Öğrenimini daha iyi anlamak için bebek örneğini ele alalım.

Bu örnekte girdi olarak bir grup kedi ve köpek resmi kullanalım, önceki örneklerde bebek resimlerin Elma ve Portakal olduğunu biliyor, onları etiketledik ve kategorize ettik.

Bu durumda bebek hiçbir şey bilmez ve dolayısıyla hangisinin kedi hangisinin köpek olduğunu kategorilere ayıramaz. Ancak, diğer birkaçına kıyasla resimlerin birkaçının benzer göründüğünü söyleyebiliriz. Bu durumda verileri etiketleyemeyiz, ancak yine de verilerde kalıplar bulabiliriz. Denetimsiz Makine Öğrenimi bu şekilde çalışır.

kümeleme

Yukarıda alınan örnek, Kümeleme problemini açıkça tanımlamaktadır, veri setimizi verilerimizde bulduğumuz kalıplara göre kümelememiz gerekiyor. Kümeleme, çok önemli bir Makine Öğrenimi sorunudur ve birçok şirket, verilerinden değerli modeller ve içgörüler bulmak için bu tekniği kullanma eğilimindedir.

Çözüm

Bu makalede, farklı Makine Öğrenimi türleri hakkında bilgi sahibi olduk, anlaşılması kolay bir örnek alanları anladık, her bir öğrenmenin sonraki bölümlerini araştırdık. Bu makale yalnızca Makine Öğrenimi sorunlarının temellerini kapsar, her tür sorunun farklı türde Makine Öğrenimi Algoritmaları vardır.

Makine öğrenimi hakkında daha fazla bilgi edinmek istiyorsanız, çalışan profesyoneller için tasarlanmış ve 450+ saat zorlu eğitim, 30'dan fazla vaka çalışması ve ödev, IIIT- sunan IIIT-B & upGrad'ın Makine Öğrenimi ve Yapay Zeka PG Diplomasına göz atın. B Mezun statüsü, 5+ pratik uygulamalı bitirme projesi ve en iyi firmalarla iş yardımı.