В чем разница между контролируемым обучением и неконтролируемым обучением?

С точки зрения искусственного интеллекта и машинного обучения, в чем разница между обучением под наблюдением и без него? Можете ли вы дать простое, простое объяснение с примером?

Ответ 1

Поскольку вы задаете этот очень простой вопрос, похоже, стоит указать, что такое машинное обучение.

Machine Learning - это класс алгоритмов, которые управляются данными, то есть в отличие от "нормальных" алгоритмов, это данные, которые "сообщают", что такое "хороший ответ". Пример: гипотетический алгоритм неавтоматического обучения распознавания лиц в изображениях будет пытаться определить, что такое лицо (круглый слой типа кожи, с темной областью, где вы ожидаете глаз и т.д.). Алгоритм машинного обучения не имел бы такого кодированного определения, но "учил бы по примерам": вы увидите несколько изображений лиц и лиц без лица, и хороший алгоритм в конечном итоге научится и сможет предсказать, невидимо или нет невидимое изображение - это лицо.

Этот конкретный пример обнаружения лица контролируется, что означает, что ваши примеры должны быть помечены или явно указывать, какие из них являются лицами, а какие нет.

В неконтролируемом алгоритме ваши примеры не помечены, т.е. вы ничего не говорите. Конечно, в этом случае сам алгоритм не может "придумать", что такое лицо, но он может попытаться cluster данные в разные групп, например он может отличить, что лица сильно отличаются от ландшафтов, которые сильно отличаются от лошадей.

Так как в другом ответе упоминается (хотя и неверно): есть "промежуточные" формы наблюдения, т.е. полуконтролируемые и активное обучение. Технически это контролируемые методы, в которых есть некоторый "умный" способ избежать большого количества помеченных примеров. При активном обучении сам алгоритм решает, какую вещь следует маркировать (например, он может быть уверен в пейзаже и лошади, но он может попросить вас подтвердить, действительно ли горилла - изображение лица). В полуконтролируемом обучении есть два разных алгоритма, которые начинаются с помеченных примеров, а затем "сообщают" друг другу, как они думают о большом количестве немеченных данных. Из этой "дискуссии" они учатся.

Ответ 2

Контролируемое обучение - это когда данные, которыми вы снабжаете ваш алгоритм, "помечены" или "помечены", чтобы помочь вашей логике принимать решения.

Пример: байесовская фильтрация спама, где вы должны пометить элемент как спам, чтобы уточнить результаты.

Неуправляемое обучение - это типы алгоритмов, которые пытаются найти корреляции без каких-либо внешних данных, кроме необработанных данных.

Пример: алгоритмы кластеризации данных.

Ответ 3

Обученное обучение

Приложения, в которых данные обучения содержат примеры входных векторов вместе с их соответствующими целевыми векторами, известны как контролируемые проблемы обучения.

Неконтролируемое обучение

В других проблемах распознавания образов учебные данные состоят из набора входных векторов x без соответствующих целевых значений. Целью таких неподконтрольных проблем обучения может быть обнаружение групп похожих примеров в данных, где это называется кластеризацией

Распознавание образов и машинное обучение (Bishop, 2006)

Ответ 4

В контролируемом обучении ввод x обеспечивается ожидаемым результатом y (т. y Выводом, который модель должна производить, когда ввод равен x), который часто называют "классом" (или "меткой") соответствующего ввода. x.

В обучении без учителя "класс" примера x не предоставляется. Таким образом, неконтролируемое обучение можно рассматривать как поиск "скрытой структуры" в наборе немаркированных данных.

Подходы к контролируемому обучению включают в себя:

Классификация (1R, Наивный Байес, алгоритм обучения дерева решений, такой как ID3 CART и т.д.)
Прогноз числовых значений

Подходы к обучению без учителя включают в себя:

Кластеризация (K-средства, иерархическая кластеризация)
Обучение правилам ассоциации

Ответ 5

Например, очень часто обучение нейронной сети контролируется обучением: вы сообщаете сети, в каком классе соответствует вектор функции, который вы кормите.

Кластеризация - это неконтролируемое обучение: вы позволяете алгоритму решать, как сгруппировать образцы в классы, которые имеют общие свойства.

Другим примером неконтролируемого обучения является самоорганизующиеся карты Kohonen.

Ответ 6

Я могу рассказать вам пример.

Предположим, вам нужно узнать, какое транспортное средство является автомобилем, а какое - мотоциклом.

В случае контролируемого обучения ваш входной (обучающий) набор данных должен быть помечен, то есть для каждого входного элемента в вашем входном (обучающем) наборе данных вы должны указать, представляет ли он автомобиль или мотоцикл.

В случае неконтролируемого обучения вы не помечаете входные данные. Неконтролируемая модель группирует входные данные в кластеры, например, на основе сходных характеристик/свойств. Так что, в этом случае нет таких ярлыков, как "машина".

Ответ 7

Я всегда считал различие между неконтролируемым и контролируемым обучением произвольным и немного запутанным. Между этими двумя случаями нет реального различия, вместо этого существует целый ряд ситуаций, в которых алгоритм может иметь более или менее "надзор". Существование полуконтролируемого обучения является очевидным примером, когда линия размыта.

Я склонен думать о наблюдении как о том, как дать обратную связь алгоритму о том, какие решения должны быть предпочтительными. Для традиционной контролируемой настройки, такой как обнаружение спама, вы говорите алгоритму "не делайте ошибок в наборе обучения"; для традиционной неконтролируемой настройки, такой как кластеризация, вы говорите, что алгоритм "точки, близкие друг к другу, должны находиться в одном кластере". Так получилось, что первая форма обратной связи намного более конкретна, чем последняя.

Короче говоря, когда кто-то говорит "контролируется", подумайте о классификации, когда они говорят "неконтролируемые", думают о кластеризации и стараются не слишком беспокоиться об этом за этим.

Ответ 8

Машинное обучение: Он исследует изучение и построение алгоритмов, которые могут учиться и делать прогнозы на данных. Такие алгоритмы работают путем построения модели из примерных входов, чтобы делать предсказания или решения, выраженные в виде данных, выраженными как выходы, а не следовать строго статическим инструкциям программы.

Наблюдаемое обучение: Задача машинного обучения состоит в том, чтобы вывести функцию из помеченных данных обучения. Данные обучения состоят из набора примеров обучения. В контролируемом обучении каждый пример представляет собой пару, состоящую из входного объекта (обычно вектора) и желаемого выходного значения (также называемого контрольным сигналом). Контролируемый алгоритм обучения анализирует данные обучения и выдает выведенную функцию, которая может использоваться для сопоставления новых примеров.

Компьютер представлен примерными входами и их желаемыми выходами, заданными "учителем", и цель состоит в том, чтобы изучить общее правило, которое отображает исходные данные для вывода. В частности, контролируемый алгоритм обучения принимает известный набор входных данных и известные ответы на данные (вывод), и обучает модель для генерации разумных прогнозов для ответа на новые данные.

Неконтролируемое обучение: Он учится без учителя. Один базовый вещь, которую вы, возможно, захотите сделать с данными, - это визуализировать ее. Задача машинного обучения состоит в том, чтобы вывести функцию для описания скрытой структуры из немаркированных данных. Поскольку примеры, предоставленные учащемуся, немечены, для оценки потенциального решения отсутствует сигнал ошибки или вознаграждения. Это отличает неконтролируемое обучение от контролируемого обучения. Неконтролируемое обучение использует процедуры, которые пытаются найти естественные разделы моделей.

С неконтролируемым обучением нет отзывов, основанных на результатах прогнозирования, т.е. нет учителя, который бы исправил вас. В соответствии с методами несертифицированного обучения не указаны помеченные примеры и нет понятия вывода во время учебного процесса. В результате, до схемы/модели обучения можно найти шаблоны или обнаружить группы входных данных.

Вы должны использовать неконтролируемые методы обучения, когда вам нужен большой количество данных для обучения ваших моделей, а также готовность и способность экспериментировать и исследовать, и, конечно, вызов, который не очень хорошо решена с помощью более установленных методов. При неконтролируемом обучении это возможно изучить более крупные и более сложные модели, чем с контролируемым Здесь является хорошим примером на нем

Ответ 9

Контролируемое обучение

Контролируемое обучение основано на обучении выборки данных из источника данных с правильной классификацией, уже назначенной. Такие методы используются в моделях прямой связи или многослойных перцептронов (MLP). Эти MLP имеют три отличительные характеристики:

Один или несколько слоев скрытых нейронов, которые не являются частью входного или выходного уровней сети, которые позволяют сети изучать и решать любые сложные проблемы
Нелинейность, отраженная в активности нейронов, дифференцируема и,
Модель взаимосвязи сети демонстрирует высокую степень связности.

Эти характеристики наряду с обучением через обучение решают сложные и разнообразные проблемы. Обучение через обучение в контролируемой модели ANN, также называемой алгоритмом обратного распространения ошибок. Алгоритм обучения коррекции ошибок обучает сеть на основе выборок ввода-вывода и находит сигнал ошибки, который представляет собой разницу рассчитанного выхода и требуемого выхода, и корректирует синаптические веса нейронов, которые пропорциональны произведению ошибки. сигнал и входной экземпляр синаптического веса. Основываясь на этом принципе, обучение обратному распространению ошибок происходит в два этапа:

Форвард Пасс:

Здесь входной вектор представлен в сети. Этот входной сигнал распространяется вперед, нейрон за нейроном через сеть и появляется на выходном конце сети как выходной сигнал: y(n) = φ(v(n)) где v(n) - индуцированное локальное поле нейрона определяется как v(n) =Σ w(n)y(n). Выходной сигнал, который рассчитывается на выходном слое o (n), сравнивается с требуемым откликом d(n) и находит ошибку e(n) для этого нейрона. Синаптические веса сети во время этого прохода остаются неизменными.

Обратный проход:

Сигнал ошибки, который исходит из выходного нейрона этого уровня, распространяется обратно по сети. Это вычисляет локальный градиент для каждого нейрона в каждом слое и позволяет синаптическим весам сети претерпевать изменения в соответствии с правилом дельты как:

Δw(n) = η * δ(n) * y(n).

Это рекурсивное вычисление продолжается, с последующим проходом, за которым следует обратный проход для каждого входного шаблона, до тех пор, пока сеть не сойдет.

Парадигма обучения ANN под наблюдением эффективна и находит решения для ряда линейных и нелинейных задач, таких как классификация, управление установкой, прогнозирование, прогнозирование, робототехника и т.д.

Обучение без учителя

Самоорганизующиеся нейронные сети учатся с использованием алгоритма обучения без присмотра, чтобы идентифицировать скрытые шаблоны в немаркированных входных данных. Это неконтролируемое относится к способности изучать и систематизировать информацию без предоставления сигнала ошибки для оценки потенциального решения. Отсутствие направления для алгоритма обучения в обучении без присмотра может иногда иметь преимущество, поскольку оно позволяет алгоритму оглядываться назад на шаблоны, которые ранее не рассматривались. Основными характеристиками самоорганизующихся карт (SOM) являются:

Он преобразует шаблон входящего сигнала произвольной размерности в одну или 2-мерную карту и выполняет это преобразование адаптивно
Сеть представляет собой прямую структуру с одним вычислительным слоем, состоящим из нейронов, расположенных в строках и столбцах. На каждом этапе представления каждый входной сигнал хранится в соответствующем контексте и,
Нейроны, имеющие дело с тесно связанными частями информации, близки друг к другу и общаются через синаптические связи.

Вычислительный уровень также называется конкурентным уровнем, так как нейроны в этом уровне конкурируют друг с другом, чтобы стать активными. Следовательно, этот алгоритм обучения называется конкурентным алгоритмом. Необслуживаемый алгоритм в СДЛ работает в три этапа:

Этап соревнования:

для каждого входного шаблона x, представленного в сети, вычисляется внутреннее произведение с синаптическим весом w и нейроны в конкурентном слое находят дискриминантную функцию, которая вызывает конкуренцию между нейронами и вектором синаптического веса, который близок к входному вектору в Евклидово расстояние объявляется победителем в конкурсе. Этот нейрон называется наиболее подходящим нейроном,

i.e. x = arg min ║x - w║.

Кооперативная фаза:

выигрышный нейрон определяет центр топологической окрестности h взаимодействующих нейронов. Это осуществляется посредством латерального взаимодействия d между кооперативными нейронами. Эта топологическая окрестность уменьшает свой размер в течение определенного периода времени.

Адаптивная фаза:

позволяет выигравшему нейрону и соседним нейронам увеличивать свои индивидуальные значения дискриминантной функции по отношению к входному шаблону посредством подходящих корректировок синаптического веса,

 Δw = ηh(x)(x –w).

При повторном представлении обучающих шаблонов векторы синаптического веса имеют тенденцию следовать распределению входных шаблонов из-за обновления окрестностей, и, таким образом, ANN обучается без супервизора.

Самоорганизующаяся модель естественным образом представляет нейробиологическое поведение и, следовательно, используется во многих реальных приложениях, таких как кластеризация, распознавание речи, сегментация текстуры, векторное кодирование и т.д.

Ссылка.

Ответ 10

Контролируемое обучение: Вы вводите в качестве входных данных различные примеры данных вместе с правильными ответами. Этот алгоритм извлечет уроки из этого и начнет прогнозировать правильные результаты на основе последующих данных. Пример: почтовый спам-фильтр

Обучение без учителя: вы просто даете данные и ничего не говорите - например, ярлыки или правильные ответы. Алгоритм автоматически анализирует закономерности в данных. Пример: Новости Google

Ответ 11

Я постараюсь сделать это простым.

Контролируемое обучение: в этом методе обучения нам предоставляется набор данных, и система уже знает правильный вывод набора данных. Итак, здесь наша система учится, предсказывая собственную ценность. Затем он проверяет точность, используя функцию стоимости, чтобы проверить, насколько близок ее прогноз к фактическому результату.

Обучение без учителя. При таком подходе мы практически не знаем, каким будет наш результат. Таким образом, вместо этого, мы получаем структуру из данных, где мы не знаем влияние переменной. Мы создаем структуру путем кластеризации данных на основе взаимосвязи между переменной в данных. Здесь у нас нет обратной связи, основанной на нашем прогнозе.

Ответ 12

Наблюдаемое обучение, учитывая данные с ответом.

Данный адрес электронной почты, помеченный как спам/не спам, изучает спам-фильтр.

Учитывая набор данных пациентов с диабетом или нет, научитесь классифицировать новых пациентов как имеющих диабет или нет.

Неконтролируемое обучение, учитывая данные без ответа, позволяет ПК группировать вещи.

Учитывая набор новостных статей, найденных в Интернете, сгруппируйте их в множество статей об одной и той же истории.

Учитывая базу данных пользовательских данных, автоматически обнаруживайте сегменты рынка и клиентов группы в разных сегментах рынка.

Ссылка

Ответ 13

Управленческое обучение

В этом каждый шаблон ввода, используемый для обучения сети, связанный с шаблоном вывода, который является целью или желаемой шаблон. Предполагается, что учитель присутствует во время обучения процесса, когда выполняется сравнение между вычисленной сетью вывода и правильного ожидаемого выхода, чтобы определить ошибку. затем может быть использована ошибка для изменения параметров сети, что приводит к улучшение производительности.

Неконтролируемое обучение

В этом методе обучения целевой результат не представляется сеть. Как будто нет учителя, чтобы представить желаемый и, следовательно, система учится самостоятельно, открывая и адаптация к структурным особенностям входных паттернов.

Ответ 14

Контролируемое обучение

У вас есть вход х и целевой выход т. Итак, вы тренируете алгоритм для обобщения недостающих частей. Это контролируется, потому что цель задана. Вы супервизор, рассказывающий алгоритм: для примера x вы должны вывести t!

Неконтролируемое обучение

Хотя сегментация, кластеризация и сжатие обычно учитываются в этом направлении, мне трудно найти хорошее определение для этого.

Давайте возьмем в качестве примера авто-кодеры для сжатия. В то время как у вас есть только введенный ввод x, именно инженер-человек говорит алгоритму, что целью также является x. Так что в некотором смысле это не отличается от контролируемого обучения.

Что касается кластеризации и сегментации, я не слишком уверен, действительно ли это соответствует определению машинного обучения (см. Другой вопрос).

Ответ 15

Контролируемое обучение: говорят, что ребенок идет в детский сад. здесь учитель показывает ему 3 игрушки-домик, мяч и машину. сейчас учитель дает ему 10 игрушек. он классифицирует их по 3 коробкам с домом, мячом и машиной на основе своего предыдущего опыта. таким образом, ребенок сначала контролировался учителями для получения правильных ответов для нескольких сетов. Затем он был проверен на неизвестных игрушках.

Обучение без присмотра: снова пример детского сада. Ребенку дают 10 игрушек. ему велят разделять подобные. поэтому, основываясь на таких особенностях, как форма, размер, цвет, функции и т.д., он попытается сделать 3 группы, скажем, A, B, C и сгруппировать их.

Слово "Надзор" означает, что вы даете надзору/инструкции машине, чтобы помочь ей найти ответы. Как только он изучает инструкции, он может легко предсказать новый случай.

Без присмотра означает, что нет никакого контроля или инструкции, как найти ответы/ярлыки, и машина будет использовать свой интеллект, чтобы найти какой-то образец в наших данных. Здесь он не будет делать прогноз, он просто попытается найти кластеры, которые имеют схожие данные.

Ответ 16

Контролируемое обучение: вы пометили данные и должны учиться на них. например, данные о домах вместе с ценой, а затем научиться прогнозировать цену

Обучение без учителя: вы должны найти тенденцию и затем предсказать, без предварительных ярлыков. например, разные люди в классе, а затем приходит новый человек, к какой группе принадлежит этот новый студент.

Ответ 17

Управленческое обучение: Это задача машинного обучения для определения функции из помеченных данных обучения.

Неконтролируемое обучение: Задача машинного обучения состоит в том, чтобы вывести функцию для описания скрытой структуры из "немеченых" данных (классификация или категоризация не включены в наблюдения).

Ответ 18

В Управленческом обучении мы знаем, какими должны быть входные и выходные данные. Например, учитывая набор автомобилей. Мы должны выяснить, какие из них красные, а какие - синие.

В то время как Неконтролируемое обучение - это то, где мы должны найти ответ с очень небольшим или без каких-либо представлений о том, как должен быть выход. Например, учащийся может создать модель, которая обнаруживает, когда люди улыбаются, основываясь на соотношении черт лица и слов, таких как "о чем вы улыбаетесь?".

Ответ 19

Надзорное обучение может пометить новый предмет в одном из обученных лейблов на основе обучения во время обучения. Вам необходимо предоставить большое количество наборов учебных данных, набора данных проверки и набора тестовых данных. Если вы укажете векторы пикселя изображения, а также данные тренировки с метками, то они могут идентифицировать числа.

Неконтролируемое обучение не требует учебных данных. В неконтролируемом обучении он может группировать элементы в разные кластеры на основе разницы во входных векторах. Если вы предоставите векторы пиксельных изображений цифр и попросите их классифицировать по 10 категориям, это может сделать это. Но он знает, как называть его, поскольку вы не предоставили учебные ярлыки.

Ответ 20

Наблюдаемое обучение - это в основном то, где у вас есть входные переменные (x) и выходная переменная (y) и алгоритм использования, чтобы узнать функцию отображения от ввода к выходу. Причина, по которой мы называем это контролируемым, заключается в том, что алгоритм учится из набора учебных данных, алгоритм итеративно делает прогнозы по данным обучения. Руководители имеют два типа - классификацию и регрессию. Классификация - это когда выходная переменная относится к категории, например yes/no, true/false. Регрессия заключается в том, что выход представляет собой реальные значения, такие как высота человека, температура и т.д.

Под наблюдением под наблюдением ООН мы находим только входные данные (X) и отсутствие выходных переменных. Это называется неконтролируемым обучением, потому что в отличие от контролируемого обучения выше нет правильных ответов, и нет учителя. Алгоритмы оставляют свои собственные разработки, чтобы обнаружить и представить интересную структуру в данных.

Типы неконтролируемого обучения - это кластеризация и ассоциация.

Ответ 21

Контролируемое машинное обучение

"Процесс обучения алгоритма на основе обучающего набора данных и прогнозирования результатов".

Точность прогнозируемого результата прямо пропорциональна тренировочным данным (длина)

При контролируемом обучении у вас есть входные переменные (x) (обучающий набор данных) и выходная переменная (Y) (тестирующий набор данных), и вы используете алгоритм для изучения функции отображения от входа к выходу.

Y = f(X)

Основные типы:

Классификация (дискретная ось Y)
Прогнозирующий (непрерывная ось Y)

Алгоритмы:

Алгоритмы классификации:

Neural Networks  
Naïve Bayes classifiers  
Fisher linear discriminant  
KNN 
Decision Tree 
Super Vector Machines

Прогнозирующие алгоритмы:

Nearest  neighbor  
Linear Regression,Multi Regression

Области применения:

Классификация писем как спама
Классификация болезни пациента
Распознавание голоса
Предсказать HR выбрать конкретного кандидата или нет
Предсказать цену фондового рынка

Ответ 22

Контролируемое обучение - это, по сути, метод, в котором данные обучения, на которых обучается машина, уже помечены, что предполагает простой классификатор четных нечетных чисел, в котором вы уже классифицировали данные во время обучения. Поэтому он использует "LABELED" данные.

Напротив, неконтролируемое обучение - это метод, при котором машина сама маркирует данные. Или вы можете сказать, что это тот случай, когда машина учится сама с нуля.

Ответ 23

В простом контролируемом обучении это тип проблемы машинного обучения, в котором у нас есть несколько меток, и с помощью этих меток мы реализуем такой алгоритм, как регрессия и классификация. Классификация применяется там, где наш вывод похож на 0 или 1, true/false, да нет. и регрессия применяется там, где из реальной стоимости такой дом цена

Неподготовленное обучение - это тип проблемы машинного обучения, при котором у нас нет меток, что означает, что у нас есть только некоторые данные, неструктурированные данные, и мы должны кластеризовать данные (группировать данные), используя различные неконтролируемые алгоритмы.

Ответ 24

Контролируемое обучение:

Контролируемый алгоритм обучения анализирует данные обучения и выдает предполагаемую функцию, которую можно использовать для отображения новых примеров.

Мы предоставляем данные обучения и знаем правильный вывод для определенного ввода
Мы знаем отношение между входом и выходом

Категории проблемы:

Регрессия: прогнозирование результатов в непрерывном выводе => преобразование входных переменных в некоторую непрерывную функцию.

Пример:

Учитывая фотографию человека, предскажите его возраст

Классификация: Прогнозирование результатов в дискретном выводе => преобразование входных переменных в дискретные категории

Пример:

Является ли этот тумер раковым?

Обучение без учителя:

Обучение без учителя учится на тестовых данных, которые не были помечены, классифицированы или классифицированы. Неконтролируемое обучение выявляет общие черты в данных и реагирует на основании наличия или отсутствия таких общих черт в каждом новом фрагменте данных.

Мы можем получить эту структуру путем кластеризации данных на основе отношений между переменными в данных.
Там нет обратной связи на основе результатов прогнозирования.

Категории проблемы:

Кластеризация: задача группирования набора объектов таким образом, чтобы объекты в одной и той же группе (называемой кластером) были более похожи (в некотором смысле) друг на друга, чем на объекты в других группах (кластерах).

Пример:

Возьмите коллекцию из 1 000 000 различных генов и найдите способ автоматически сгруппировать эти гены в группы, которые каким-то образом похожи или связаны различными переменными, такими как продолжительность жизни, местоположение, роли и так далее.

Популярные варианты использования перечислены здесь.

Разница между классификацией и кластеризацией в интеллектуальном анализе данных?

Рекомендации:

Supervised_learning

Unsupervised_learning

машинное обучение от Coursera

towardsdatascience

Ответ 25

Контролируемое обучение

Обучение без учителя

Пример:

Контролируемое обучение:

Одна сумка с яблоком
Одна сумка с апельсином

=> построить модель
Один смешанный пакет с яблоком и апельсином.

=> Пожалуйста, классифицируйте

Обучение без учителя:

Один смешанный пакет с яблоком и апельсином.

=> построить модель
Еще одна смешанная сумка

=> Пожалуйста, классифицируйте

Ответ 26

Простыми словами.. :) Это мое понимание, не стесняйтесь исправить. Контролируемое обучение - это то, что мы прогнозируем на основе предоставленных данных. Итак, у нас есть столбец в наборе данных, который необходимо предикатировать. Неконтролируемое обучение заключается в том, что мы пытаемся извлечь смысл из предоставленного набора данных. У нас нет ясности относительно того, что должно быть предсказано. Итак, вопрос в том, почему мы делаем это?.. :) Ответ таков: результатом обучения без учителя являются группы/кластеры (схожие данные вместе). Поэтому, если мы получаем какие-либо новые данные, мы связываем их с указанным кластером/группой и понимаем их особенности.

Я надеюсь, что это поможет вам.

Ответ 27

контролируемое обучение

контролируемое обучение - это то, где мы знаем выходные данные необработанного ввода, то есть данные помечаются так, чтобы во время обучения модели машинного обучения он понимал, что нужно обнаружить в исходном выводе, и направляет систему во время обучения для обнаруживать предварительно помеченные объекты на том основании, что он обнаружит аналогичные объекты, которые мы предоставили при обучении.

Здесь алгоритмы узнают, что такое структура и структура данных. Контролируемое обучение используется для классификации

Например, у нас могут быть разные объекты, формы которых квадратные, круглые, треугольные. Наша задача состоит в том, чтобы упорядочить одинаковые типы фигур, для которых в помеченном наборе данных есть все помеченные фигуры, и мы будем обучать модель машинного обучения этому набору данных в на основе обучающей даты он начнет обнаруживать фигуры.

Неконтролируемое обучение

Неконтролируемое обучение - это неуправляемое обучение, когда конечный результат неизвестен, оно будет кластеризовать набор данных и на основе схожих свойств объекта разделить объекты на различные группы и обнаружить объекты.

Здесь алгоритмы будут искать другой шаблон в необработанных данных и на основе этого будут кластеризовать данные. Неконтролируемое обучение используется для кластеризации.

Например, у нас могут быть разные объекты разных форм: квадрат, круг, треугольник, поэтому он будет создавать сгустки на основе свойств объекта, если объект имеет четыре стороны, он будет считать его квадратным, а если он имеет три стороны треугольника и если нет сторон, кроме круга, то здесь данные не помечены, он научится обнаруживать различные формы

Ответ 28

Модели контролируемого обучения/прогнозирования. Модель прогнозирования, как следует из названия, используется для прогнозирования будущих результатов на основе исторических данных. Прогнозирующим моделям обычно дают четкие инструкции с самого начала: что нужно изучать и как это нужно изучать. Этот класс алгоритмов обучения называется контролируемым обучением.

Например: Supervised Learning используется, когда маркетинговая компания пытается выяснить, какие клиенты, вероятно, будут выпускать. Мы также можем использовать его для прогнозирования вероятности возникновения таких опасностей, как землетрясения, торнадо и т.д., С целью определения общей страховой стоимости. Некоторые примеры используемых алгоритмов: Ближайший сосед, Наивный Байес, Деревья решений, Регрессия и т.д.

Необучаемое обучение/Описательные модели: оно используется для обучения описательных моделей, где ни одна цель не установлена, и ни одна особенность не важна, чем другая. Случай неконтролируемого обучения может быть следующим: Когда розничный продавец хочет выяснить, какова комбинация продуктов, клиенты, как правило, покупают чаще. Кроме того, в фармацевтической промышленности неконтролируемое обучение может использоваться для прогнозирования того, какие заболевания могут возникать наряду с диабетом. Пример используемого здесь алгоритма: K- означает алгоритм кластеризации.

Ответ 29

Уже есть много ответов, которые подробно объясняют различия. Я нашел эти гифки на Codeacademy, и они часто помогают мне эффективно объяснить различия.

Контролируемое обучение

Обратите внимание, что здесь у обучающих изображений есть метки, и что модель изучает названия изображений.

Обучение без учителя

Обратите внимание, что здесь делается просто группировка (кластеризация) и что модель ничего не знает ни о каком изображении.

Ответ 30

Машинное обучение - это сфера, в которой вы пытаетесь создать машину, которая имитирует поведение человека.

Вы тренируете машину, как ребенок. То, как люди учатся, выявляют особенности, распознают закономерности и тренируются, точно так же, как вы тренируете машину, предоставляя данные с различными функциями. Машинный алгоритм идентифицирует шаблон в данных и классифицирует его по определенной категории.

Машинное обучение в целом разделено на две категории: контролируемое и неконтролируемое обучение.

Контролируемое обучение - это концепция, в которой у вас есть входной вектор/данные с соответствующим целевым значением (выходом). С другой стороны, неконтролируемое обучение - это концепция, в которой у вас есть только входные векторы/данные без какого-либо соответствующего целевого значения.

Примером контролируемого обучения является распознавание рукописных цифр, когда у вас есть изображение цифр с соответствующей цифрой [0-9], а примером неконтролируемого обучения является группирование покупателей по покупательскому поведению.