Denetimli öğrenme ile denetimsiz öğrenme arasındaki fark nedir? [kapalı]

Yapay zeka ve makine öğrenimi açısından, denetimli ve denetimsiz öğrenme arasındaki fark nedir? Bir örnekle basit ve kolay bir açıklama sağlayabilir misiniz?

Bu çok temel soruyu sorduğunuzdan, Makine Öğrenmesinin kendisinin ne olduğunu belirtmeye değer gibi görünüyor.

Makine Öğrenimi veri odaklı bir algoritma sınıfıdır, yani "normal" algoritmalardan farklı olarak "iyi cevabın" ne olduğunu "söyleyen" veridir. Örnek: görüntülerde yüz tanıma için varsayımsal bir makine dışı öğrenme algoritması, bir yüzün ne olduğunu tanımlamaya çalışacaktır (yuvarlak cilt benzeri renkli disk, gözlerin beklediğiniz karanlık alan vb.). Bir makine öğrenme algoritması böyle kodlanmış bir tanıma sahip olmayacak, ancak "örneklerle öğrenecek" olacaktır: yüzlerin ve yüzlerin olmayan birkaç görüntüsünü göstereceksiniz ve iyi bir algoritma nihayetinde görünmeyen olup olmadığını öğrenecek ve tahmin edebilecek görüntü bir yüz.

Bu özel yüz algılama örneği denetlenir , yani örnekleriniz etiketlenmeli veya hangilerinin yüz ve hangilerinin yüzsüz olduğu açıkça belirtilmelidir.

Bir In denetimsiz senin örnekler değildir algoritma etiketli , bir şey söyleme yani. Tabii ki, böyle bir durumda, algoritmanın kendisi bir yüzün ne olduğunu "icat edemez", ancak verileri farklı gruplara kümelemeye çalışabilir , örneğin yüzlerin atlardan çok farklı olan manzaralardan çok farklı olduğunu ayırt edebilir.

Başka bir cevaptan bahsedildiği için (yanlış bir şekilde olsa da): "orta" denetim biçimleri vardır, yani yarı denetimli ve aktif öğrenme . Teknik olarak, bunlar, çok sayıda etiketli örneği önlemek için bazı "akıllı" yolların olduğu denetimli yöntemlerdir. Aktif öğrenmede, algoritmanın kendisi hangi şeyi etiketlemeniz gerektiğine karar verir (örneğin, bir manzara ve bir at hakkında oldukça emin olabilir, ancak bir gorilin gerçekten bir yüz resmi olup olmadığını onaylamanızı isteyebilir). Yarı denetimli öğrenmede, etiketli örneklerle başlayan ve daha sonra birbirine çok sayıda etiketlenmemiş veri hakkında nasıl düşündüklerini "anlatan" iki farklı algoritma vardır. Bu "tartışma" dan öğreniyorlar.

Denetimli öğrenme , mantığınızın karar vermesine yardımcı olmak için algoritmanızı beslediğiniz verilerin "etiketlendiği" veya "etiketlendiği" zamandır.

Örnek: Sonuçları iyileştirmek için bir öğeyi spam olarak işaretlemeniz gereken bayes spam filtrelemesi.

Gözetimsiz öğrenme , ham veriler dışında herhangi bir harici girdi olmadan korelasyonları bulmaya çalışan algoritma türleridir.

Örnek: veri madenciliği kümeleme algoritmaları.

Denetimli öğrenme

Eğitim verilerinin karşılık gelen hedef vektörleri ile birlikte girdi vektörlerinin örneklerini içerdiği uygulamalar, denetimli öğrenme problemleri olarak bilinir.

Denetimsiz öğrenme

Diğer örüntü tanıma problemlerinde, egzersiz verileri karşılık gelen hedef değerleri olmayan bir dizi girdi vektöründen x oluşur. Bu tür denetimsiz öğrenme problemlerindeki amaç, kümelenme olarak adlandırılan verilerde benzer örnek grupları bulmak olabilir.

Örüntü Tanıma ve Makine Öğrenmesi (Bishop, 2006)

Denetimli öğrenmede girdi x, genellikle karşılık gelen girdinin "sınıfı" (veya "etiketi") olarak adlandırılan beklenen sonuç y(yani, girdi olduğunda üretmesi gereken çıktı x) ile sağlanır x.

Denetimsiz öğrenmede bir örneğin "sınıfı" xsağlanmaz. Dolayısıyla, denetimsiz öğrenmenin etiketlenmemiş veri kümesinde "gizli yapı" bulması düşünülebilir.

Denetimli öğrenmeye yaklaşımlar şunları içerir:

• Sınıflandırma (1R, Naive Bayes, ID3 CART gibi karar ağacı öğrenme algoritması vb.)

• Sayısal Değer Tahmini

Gözetimsiz öğrenmeye yaklaşımlar şunları içerir:

• Kümeleme (K-araçları, hiyerarşik kümeleme)

• İlişkilendirme Kuralı Öğrenme

Örneğin, bir sinir ağını eğitmek sıklıkla denetlenir: ağa hangi sınıfın beslediğiniz özellik vektörüne karşılık geldiğini söylüyorsunuz.

Kümeleme denetimsiz öğrenmedir: algoritmanın örnekleri ortak özellikleri paylaşan sınıflara nasıl gruplandıracağına karar vermesine izin verirsiniz.

Gözetimsiz öğrenmenin bir başka örneği Kohonen'in kendi kendini düzenleyen haritalarıdır .

Size bir örnek söyleyebilirim.

Hangi aracın bir araba ve hangisinin motosiklet olduğunu bilmeniz gerektiğini varsayalım.

Gelen denetimli bir araba veya motosiklet temsil ediyorsa öğrenme durumunda, giriş (eğitim) veri kümesindeki her bir giriş elemanı için, senin girişi (eğitim) etiketli edilecek veri kümesi ihtiyaçları, sen belirtmelidir.

Gelen denetimsiz öğrenme durumda, sen girdileri etiket yok. Denetimsiz model, girişi benzer özelliklere / özelliklere göre kümeler halinde kümeler. Yani, bu durumda, "araba" gibi bir etiket yoktur.

Denetimli Öğrenme

Denetimli öğrenme, veri kaynağından bir veri örneğinin doğru sınıflandırma önceden atanmış olarak eğitilmesine dayanır. Bu teknikler ileri beslemeli veya MultiLayer Perceptron (MLP) modellerinde kullanılır. Bu MLP'nin üç farklı özelliği vardır:

1. Ağın karmaşık sorunları öğrenmesini ve çözmesini sağlayan ağın giriş veya çıkış katmanlarının bir parçası olmayan bir veya daha fazla gizli nöron katmanı
2. Nöronal aktiviteye yansıyan doğrusal olmama durumu farklıdır ve,
3. Ağın arabağlantı modeli yüksek derecede bağlantı gösterir.

Bu özellikler, eğitim yoluyla öğrenmenin yanı sıra zor ve çeşitli sorunları da çözer. Denetimli YSA modelinde eğitim yoluyla öğrenme, hata geri yayılım algoritması olarak da adlandırılır. Hata düzeltme-öğrenme algoritması ağı giriş-çıkış örneklerine göre eğitir ve hesaplanan çıkış ile istenen çıktının farkı olan hata sinyalini bulur ve hatanın çarpımı ile orantılı olan nöronların sinaptik ağırlıklarını ayarlar sinyal ve sinaptik ağırlığın girdi örneği. Bu prensibe dayanarak, hata geri yayılım öğrenimi iki geçişte gerçekleşir:

Doğrudan geçiş:

Burada, giriş vektörü ağa sunulur. Bu giriş ileri sinyal yayılır, ağ üzerinden nöron tarafından nöron ve çıkış sinyali olarak bir ağ çıkış ucunda ortaya ile tanımlanan bir nöronun yerel alan indüklenir çıkış tabakası o (n) hesaplanan çıkış istenen yanıt ile karşılaştırıldığında ve o nöron için hata bulur . Bu geçiş sırasında ağın sinaptik ağırlıkları aynı kalır.y(n) = φ(v(n))v(n)v(n) =Σ w(n)y(n).d(n)e(n)

Geriye Doğru Geçiş:

Bu katmanın çıkış nöronundan kaynaklanan hata sinyali ağ üzerinden geriye doğru yayılır. Bu, her katmandaki her nöron için yerel gradyanı hesaplar ve ağın sinaptik ağırlıklarının delta kuralına göre değişikliklere izin verir:

Δw(n) = η * δ(n) * y(n).

Bu özyinelemeli hesaplamaya devam edilir ve ileri geçiş, ardından ağ yakınlaşana kadar her giriş modeli için geri geçiş yapılır.

YSA'nın denetimli öğrenme paradigması etkilidir ve sınıflandırma, bitki kontrolü, tahmin, tahmin, robotik vb.

Denetimsiz Öğrenme

Kendi Kendini Düzenleyen sinir ağları, etiketlenmemiş girdi verilerindeki gizli kalıpları tanımlamak için denetimsiz öğrenme algoritması kullanmayı öğrenir. Bu denetimsiz, potansiyel çözümü değerlendirmek için bir hata sinyali vermeden bilgi öğrenme ve düzenleme yeteneğini ifade eder. Denetimsiz öğrenmede öğrenme algoritması için yön eksikliği bazen avantajlı olabilir, çünkü algoritmanın daha önce dikkate alınmamış örüntülere bakmasını sağlar. Kendini Düzenleyen Haritaların (SOM) temel özellikleri şunlardır:

1. Gelen rastgele boyutsal sinyal modelini bir veya 2 boyutlu haritaya dönüştürür ve bu dönüşümü uyarlanabilir şekilde gerçekleştirir
2. Ağ, satırlar ve sütunlar halinde düzenlenmiş nöronlardan oluşan tek bir hesaplama katmanı ile ileri beslemeli yapıyı temsil eder. Temsilin her aşamasında, her bir giriş sinyali uygun bağlamda tutulur ve
3. Yakın ilişkili bilgilerle uğraşan nöronlar birbirine yakındır ve sinaptik bağlantılar yoluyla iletişim kurarlar.

Hesaplama katmanı aynı zamanda rekabetçi katman olarak da adlandırılır, çünkü katmandaki nöronlar aktif olmak için birbirleriyle rekabet ederler. Bu nedenle, bu öğrenme algoritmasına rekabetçi algoritma denir. SOM'daki denetimsiz algoritma üç aşamada çalışır:

Yarışma aşaması:

xağa sunulan her bir giriş paterni için sinaptik ağırlıklı iç ürün whesaplanır ve rekabetçi katmandaki nöronlar, nöronlar arasındaki rekabeti indükleyen ve Öklid mesafesindeki giriş vektörüne yakın olan sinaptik ağırlık vektörünü bulur yarışmada kazanan ilan edilir. Bu nörona en iyi eşleşen nöron denir,

i.e. x = arg min ║x - w║.

Kooperatif aşaması:

kazanan nöron h, işbirliği yapan nöronların topolojik bir mahallesinin merkezini belirler . Bu, dkooperatif nöronlar arasındaki yanal etkileşim ile gerçekleştirilir . Bu topolojik mahalle, bir zaman dilimi içinde büyüklüğünü azaltır.

Uyarlamalı aşama:

kazanan nöronun ve komşu nöronların, uygun sinaptik ağırlık ayarlamaları yoluyla girdi örüntüsü ile ilgili ayrı ayrı fonksiyonlarının bireysel değerlerini arttırmasını sağlar,

 Δw = ηh(x)(x –w).

Eğitim modellerinin tekrar tekrar sunulması üzerine, sinaptik ağırlık vektörleri, mahalle güncellemesi nedeniyle girdi modellerinin dağılımını takip etme eğilimindedir ve böylece YSA, denetleyici olmadan öğrenir.

Kendi Kendini Düzenleyen Model doğal olarak nöro-biyolojik davranışı temsil eder ve bu nedenle kümeleme, konuşma tanıma, doku bölümleme, vektör kodlama vb.Gibi birçok gerçek dünya uygulamasında kullanılır.

Referans.

Her zaman gözetimsiz ve denetimli öğrenme arasındaki farkı keyfi ve biraz kafa karıştırıcı buldum. İki durum arasında gerçek bir ayrım yoktur, bunun yerine bir algoritmanın az çok 'denetim'e sahip olabileceği bir dizi durum vardır. Yarı denetimli öğrenmenin varlığı, çizginin bulanıklaştığı bariz bir örnektir.

Denetimin, hangi çözümlerin tercih edilmesi gerektiği konusunda algoritmaya geri bildirim vermek olduğunu düşünüyorum. Spam tespiti gibi geleneksel denetimli bir ayar için, algoritmaya "eğitim setinde herhangi bir hata yapma" diyorsunuz ; kümeleme gibi geleneksel bir denetimsiz ayar için, algoritmaya "birbirine yakın noktaların aynı kümede olması gerektiğini" söylersiniz . Öyle ki, ilk geri bildirim şekli ikincisinden çok daha spesifiktir.

Kısacası, birisi 'denetimli' dediğinde, sınıflandırmayı düşünün, 'denetimsiz' dediğinde kümelenmeyi düşünün ve bunun ötesinde çok fazla endişelenmemeye çalışın.

Makine öğrenimi: Verilerden öğrenebilen ve veriler üzerinde tahminler yapabilen algoritmaların çalışmasını ve yapısını araştırır.Bu algoritmalar, kesin olarak statik olmak yerine verilere dayalı tahminler veya çıktılar olarak ifade edilen kararlar vermek için örnek girdilerden bir model oluşturarak çalışır program yönergeleri.

Denetimli öğrenme: Etiketlenmiş eğitim verilerinden bir işlev çıkarmanın makine öğrenimi görevidir. Eğitim verileri bir dizi eğitim örneğinden oluşur. Denetimli öğrenmede, her örnek bir giriş nesnesi (tipik olarak bir vektör) ve istenen bir çıkış değerinden (denetim sinyali olarak da adlandırılır) oluşan bir çifttir. Denetimli bir öğrenme algoritması, eğitim verilerini analiz eder ve yeni örnekleri eşlemek için kullanılabilecek bir çıkarım işlevi üretir.

Bilgisayar, bir "öğretmen" tarafından verilen örnek girişler ve istenen çıktıları ile sunulur ve amaç, girdileri çıktılarla eşleyen genel bir kural öğrenmektir. ve yeni verilere yanıt için makul tahminler oluşturmak üzere bir modeli eğitir.

Gözetimsiz öğrenme: Öğretmen olmadan öğrenmektir. Verilerle yapmak isteyebileceğiniz temel şeylerden biri, verileri görselleştirmektir. Etiketlenmemiş verilerden gizli yapıyı tanımlamak için bir işlev çıkarım yapmak makine öğrenimi görevidir. Öğrenciye verilen örnekler etiketlenmediğinden, potansiyel bir çözümü değerlendirmek için hata veya ödül sinyali yoktur. Bu denetimsiz öğrenmeyi denetimli öğrenmeden ayırır. Denetimsiz öğrenme, örüntülerin doğal bölümlerini bulmaya çalışan prosedürleri kullanır.

Gözetimsiz öğrenme ile tahmin sonuçlarına dayalı bir geri bildirim yoktur, yani sizi düzeltecek bir öğretmen yoktur. Gözetimsiz öğrenme yöntemleri altında hiçbir etiketli örnek verilmez ve öğrenme süreci boyunca çıktı kavramı yoktur. Sonuç olarak, kalıpları bulmak veya girdi verisi gruplarını keşfetmek öğrenme şemasına / modeline bağlıdır

Modellerinizi eğitmek için büyük miktarda veriye, deney yapma ve keşfetme istekliliğine ve yeteneğine ve elbette daha yerleşik yöntemlerle iyi çözülmemiş bir zorluğa ihtiyacınız olduğunda gözetimsiz öğrenme yöntemlerini kullanmalısınız. denetimli öğrenmekten daha büyük ve daha karmaşık modelleri öğrenmek mümkündür. İşte bunun için iyi bir örnek

.

Denetimli öğrenme: bir çocuğun çocuk bahçesine gittiğini söyle. Burada öğretmen ona 3 oyuncak evi, top ve araba gösteriyor. Şimdi öğretmen ona 10 oyuncak veriyor. onları önceki deneyimlerine dayanarak 3 kutu ev, top ve arabada sınıflandıracak. bu yüzden çocuk önce birkaç set için doğru cevaplar almak için öğretmenler tarafından denetlendi. daha sonra bilinmeyen oyuncaklar üzerinde test edildi.

Gözetimsiz öğrenme: yine anaokulu örneği. Bir çocuğa 10 oyuncak verilir. ona benzer olanları bölümlere ayırması söylenir. şekil, boyut, renk, fonksiyon vb.

Denetle kelimesi, cevapları bulmasına yardımcı olmak için makineye denetim / talimat verdiğiniz anlamına gelir. Talimatları öğrendikten sonra, yeni vakayı kolayca tahmin edebilir.

Denetimsiz, cevapların / etiketlerin nasıl bulunacağına dair bir denetim veya talimat olmadığı anlamına gelir ve makine, verilerimizde bir model bulmak için zekasını kullanır. Burada tahmin yapmayacak, sadece benzer verilere sahip kümeleri bulmaya çalışacak.

Farklılıkları ayrıntılı olarak açıklayan birçok cevap zaten var. Codecademy'de bu gifleri buldum ve genellikle farklılıkları etkili bir şekilde açıklamama yardımcı oluyorlar.

Denetimli Öğrenme

Eğitim görüntülerinin burada etiketleri olduğuna ve modelin görüntülerin adlarını öğrendiğine dikkat edin.

Denetimsiz Öğrenme

Burada yapılanların sadece gruplama (kümeleme) olduğuna ve modelin herhangi bir görüntü hakkında hiçbir şey bilmediğine dikkat edin.

Bir sinir ağının öğrenme algoritması denetlenebilir veya denetlenemez.

Bir sinir ağının, istenen çıktı zaten biliniyorsa, denetlenen öğrendiği söylenir. Örnek: kalıp ilişkisi

Denetimsiz öğrenen sinir ağlarının böyle bir hedef çıktısı yoktur. Öğrenme sürecinin sonucunun nasıl görüneceği belirlenemez. Öğrenme işlemi sırasında, bu tür bir sinir ağının birimleri (ağırlık değerleri), verilen girdi değerlerine bağlı olarak belirli bir aralık içinde "düzenlenir". Amaç, değer birimlerinin belirli alanlarında benzer birimleri birbirine yakın gruplandırmaktır. Örnek: desen sınıflandırması

Verileri bir cevapla verilen denetimli öğrenme.

Spam / spam değil olarak etiketlenen e-postalar verildiğinde, bir spam filtresi öğrenin.

Diyabet tanısı konulup konulmadığı teşhis edilen bir veri seti verildiğinde, yeni hastaları diyabet hastası olarak sınıflandırmayı öğrenin.

Denetimsiz öğrenme, bir cevap olmadan veri verilen, pc şeyler gruplandırmak için izin.

Web'de bulunan bir dizi haber makalesi verildiğinde, aynı hikaye hakkındaki makaleleri gruplandırın.

Özel verilerden oluşan bir veritabanı verildiğinde, pazar segmentlerini otomatik olarak keşfedin ve müşterileri farklı pazar segmentlerinde gruplandırın.

Referans

Denetimli Öğrenme

Burada, ağı eğitmek için kullanılan her giriş paterni, hedef veya istenen patern olan bir çıkış paterniyle ilişkilendirilir. Bir öğretmenin, hatayı belirlemek için ağın hesaplanan çıktısı ile doğru beklenen çıktı arasında bir karşılaştırma yapıldığında öğrenme sürecinde mevcut olduğu varsayılır. Hata daha sonra ağ parametrelerini değiştirmek için kullanılabilir, bu da performansta bir iyileşme ile sonuçlanır.

Denetimsiz Öğrenme

Bu öğrenme yönteminde, hedef çıktı ağa sunulmaz. Sanki istenen örüntüyü sunan bir öğretmen yokmuş gibi ve dolayısıyla sistem, girdi örüntülerindeki yapısal özellikleri keşfederek ve bunlara adapte ederek kendi kendine öğrenir.

Denetimli Öğrenme : Çeşitli etiketlenmiş örnek verileri doğru yanıtlarla birlikte girdi olarak verirsiniz. Bu algoritma ondan öğrenecek ve daha sonra girdilere dayanarak doğru sonuçları tahmin etmeye başlayacaktır. Örnek : E-posta Spam filtresi

Denetimsiz Öğrenme : Sadece veri verirsiniz ve etiketler ya da doğru cevaplar gibi hiçbir şey söylemezsiniz. Algoritma, verilerdeki kalıpları otomatik olarak analiz eder. Örnek : Google Haberler

Basit tutmaya çalışacağım.

Denetimli Öğrenme: Bu öğrenme tekniğinde bize bir veri seti verilir ve sistem veri setinin doğru çıktısını zaten bilir. Yani burada, sistemimiz kendi değerini tahmin ederek öğrenir. Ardından, tahmininin gerçek çıktıya ne kadar yakın olduğunu kontrol etmek için bir maliyet fonksiyonu kullanarak bir doğruluk kontrolü yapar.

Denetimsiz Öğrenme: Bu yaklaşımda, sonucumuzun ne olacağına dair çok az bilgimiz var ya da hiç bilmiyoruz. Bunun yerine, yapıyı değişkenin etkisini bilmediğimiz verilerden alıyoruz. Verilerdeki değişkenler arasındaki ilişkiye dayalı olarak verileri kümeleyerek yapı oluştururuz. Burada, tahminimize dayalı bir geri bildirimimiz yok.

Denetimli öğrenme

X girişiniz ve t hedef çıkışınız var. Böylece algoritmayı eksik parçalara genelleştirmek için eğitiyorsunuz. Hedef verildiği için denetlenir. Algoritmayı söyleyen süpervizörsünüz: Örnek x için, t!

Denetimsiz öğrenme

Segmentasyon, kümeleme ve sıkıştırma genellikle bu yönde sayılsa da, bunun için iyi bir tanım bulmakta zorlanıyorum.

Örnek olarak sıkıştırma için otomatik kodlayıcıları ele alalım. Yalnızca x girdisi verilirken, algoritmaya hedefin de x olduğunu nasıl söyleyen insan mühendisidir. Yani bir anlamda, bu denetimli öğrenmeden farklı değildir.

Kümeleme ve segmentasyon için, makine öğrenmesinin tanımına gerçekten uyup uymadığından emin değilim ( diğer soruya bakın ).

Denetimli Öğrenme: Verileri etiketlediniz ve bundan öğrenmek zorundasınız. Örneğin, ev verileri fiyat ile birlikte

Gözetimsiz öğrenme: eğilimi bulmanız ve daha sonra tahmin etmeniz gerekir, daha önce etiket verilmez. örneğin sınıftaki farklı insanlar ve sonra yeni bir kişi gelir bu yüzden bu yeni öğrenci hangi gruba aittir.

Gelen Denetimli Öğrenme biz giriş ve çıkış ne olması gerektiğini biliyoruz. Örneğin, bir araba seti verildi. Hangilerinin kırmızı hangilerinin mavi olduğunu bulmalıyız.

Öte yandan, Denetimsiz öğrenme , cevabın çok az bir şeyle veya çıktının nasıl olması gerektiği hakkında hiçbir fikrimiz olmadan bulmamız gereken yerdir. Örneğin, bir öğrenci, yüz kalıplarının ve "ne hakkında gülümsüyorsunuz?" Gibi kelimelerin korelasyonuna dayanarak insanların gülümsediğini tespit eden bir model oluşturabilir.

Denetimli öğrenme yeni bir öğeyi eğitim sırasında öğrenmeye dayalı eğitimli etiketlerden birine etiketleyebilir. Çok sayıda eğitim veri seti, doğrulama veri seti ve test veri seti sağlamanız gerekir. Rakamların piksel görüntü vektörlerini etiketlerle birlikte eğitim verileriyle birlikte verirseniz, sayıları tanımlayabilir.

Denetimsiz öğrenme, eğitim veri setleri gerektirmez. Denetimsiz öğrenmede, girdi vektörlerindeki farka bağlı olarak öğeleri farklı kümeler halinde gruplandırabilir. Rakamların piksel görüntü vektörlerini sağlar ve ondan 10 kategoriye sınıflandırılmasını isterseniz, bunu yapabilir. Ancak, eğitim etiketleri sağlamadığınız için nasıl etiketleneceğini biliyor.

Denetimli Öğrenme temelde girdi değişkenleri (x) ve çıktı değişkeni (y) olduğu ve eşleme işlevini girdiden çıktıya öğrenmek için algoritmayı kullandığınız yerdir. Bunu denetimli olarak adlandırmamızın nedeni, algoritmanın eğitim veri kümesinden öğrenmesi, algoritmanın egzersiz verileri üzerinde yinelemeli tahminlerde bulunmasıdır. Denetimli iki tip var-Sınıflandırma ve Regresyon. Sınıflandırma, çıktı değişkeninin yes / no, true / false gibi bir kategori olduğu durumdur. Regresyon, çıkışın kişi yüksekliği, Sıcaklık vb.Gibi gerçek değerler olduğu zamandır.

BM tarafından denetlenen öğrenme, yalnızca girdi verisine (X) sahip olduğumuz ve çıktı değişkenleri bulunmadığı yerdir. Buna gözetimsiz öğrenme denir, çünkü yukarıdaki denetimli öğrenmenin aksine doğru cevaplar yoktur ve öğretmen yoktur. Algoritmalar, verilerdeki ilginç yapıyı keşfetmek ve sunmak için kendi araçlarına bırakılmıştır.

Gözetimsiz öğrenme türleri kümelenme ve ilişkilendirmedir.

Denetimli Öğrenme temel olarak, makinenin öğrendiği eğitim verilerinin zaten etiketlendiği ve eğitim sırasında verileri sınıflandırdığınız basit bir çift sayı sınıflandırıcı olduğunu varsayan bir tekniktir. Bu nedenle "LABELED" verilerini kullanır.

Aksine denetimsiz öğrenme, makinenin kendi başına verileri etiketlediği bir tekniktir. Ya da makine kendi kendine sıfırdan öğrendiğinde böyle olduğunu söyleyebilirsiniz.

Basit Denetimli öğrenmede , bazı etiketlere sahip olduğumuz makine öğrenme problemi türüdür ve bu etiketleri kullanarak regresyon ve sınıflandırma gibi algoritmayı uygularız. Sınıflandırma, çıktımızın 0 veya 1, doğru / yanlış şeklinde olduğu yerlerde uygulanır. Evet Hayır. ve böyle bir fiyat evi gerçek bir değer koyarsa regresyon uygulanır

Denetimsiz Öğrenme , herhangi bir etiketimiz olmadığı bir tür makine öğrenme problemidir, sadece bazı verilerimiz, yapılandırılmamış verilerimiz olduğu ve çeşitli denetimsiz algoritmalar kullanarak verileri kümelememiz gerektiği anlamına gelir.

Denetimli Makine Öğrenimi

"Eğitim veri kümesinden öğrenme ve çıktı tahmin bir algoritma süreci."

Tahmin edilen çıktının egzersiz verileri ile doğru orantılı doğruluğu (uzunluk)

Denetimli öğrenme, giriş değişkenleri (x) (egzersiz veri kümesi) ve bir çıkış değişkeni (Y) (test veri kümesi) bulunduğunuz ve girdiden çıktıya eşleme işlevini öğrenmek için bir algoritma kullandığınız yerdir.

Y = f(X)

Büyük tipler:

• Sınıflandırma (ayrık y ekseni)
• Öngörücü (sürekli y ekseni)

Algoritmalar:

• Sınıflandırma Algoritmaları:

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

• Öngörülü Algoritmalar:

  Nearest  neighbor  
  Linear Regression,Multi Regression 
  

Uygulama alanları:

1. E-postaları spam olarak sınıflandırma
2. Hastanın hastalığı olup olmadığını sınıflandırma

3. Ses tanıma

4. İK'nın belirli adayı seçip seçmediğini tahmin edin

5. Borsa fiyatını tahmin edin

Denetimli öğrenme :

Denetimli bir öğrenme algoritması eğitim verilerini analiz eder ve yeni örnekleri eşlemek için kullanılabilecek bir çıkarım işlevi üretir.

1. Eğitim verilerini sağlıyoruz ve belirli bir girdi için doğru çıktıyı biliyoruz
2. Girdi ve çıktı arasındaki ilişkiyi biliyoruz

Sorun kategorileri:

Regresyon: Sürekli bir çıktıdaki sonuçları tahmin edin => girdi değişkenlerini bazı sürekli fonksiyonlarla eşleyin.

Misal:

Bir kişinin resmi göz önüne alındığında, yaşını tahmin edin

Sınıflandırma: Sonuçları ayrık bir çıktı ile tahmin edin => girdi değişkenlerini ayrık kategorilere eşleyin

Misal:

Bu tümör kanserli mi?

Denetimsiz öğrenme:

Denetimsiz öğrenme, etiketlenmemiş, sınıflandırılmamış veya kategorize edilmemiş test verilerinden öğrenir. Gözetimsiz öğrenme, verilerdeki ortaklıkları tanımlar ve her yeni veri parçasında bu tür ortaklıkların varlığına veya yokluğuna bağlı olarak tepki verir.

1. Bu yapıyı, verilerdeki değişkenler arasındaki ilişkilere dayalı olarak kümeleyerek türetebiliriz.

2. Tahmin sonuçlarına dayalı bir geri bildirim yoktur.

Sorun kategorileri:

Kümeleme: bir grup nesneyi, aynı gruptaki nesnelerin (küme olarak adlandırılır) diğer gruplara (kümeler) kıyasla birbirine daha yakın (bir anlamda) olacak şekilde gruplandırma görevidir.

Misal:

1.000.000 farklı genin bir koleksiyonunu alın ve bu genleri otomatik olarak ömür, yer, roller vb . Gibi farklı değişkenlerle benzer veya ilişkili olan gruplara ayırmanın bir yolunu bulun .

Popüler kullanım örnekleri burada listelenmiştir.

Veri madenciliğinde sınıflandırma ve kümeleme arasındaki fark nedir?

Referanslar:

Supervised_learning

Unsupervised_learning

coursera'dan makine öğrenimi

towardsdatascience

Denetimli Öğrenme

Denetimsiz Öğrenme

Misal:

Denetimli Öğrenme:

• Elma ile bir çanta

• Portakallı bir çanta

  => model oluştur

• Bir karışık çanta elma ve portakal.

  => Lütfen sınıflandırın

Denetimsiz Öğrenme:

• Bir karışık çanta elma ve portakal.

  => model oluştur

• Başka bir karışık çanta

  => Lütfen sınıflandırın

Basit bir deyişle .. :) Bu benim anlayışım, düzeltmekten çekinmeyin. Denetimli öğrenme , sağlanan verilere dayanarak neyi tahmin ettiğimizi biliyoruz. Bu nedenle, veri kümesinde belirtilmesi gereken bir sütun var. Gözetimsiz öğrenme , sağlanan veri kümesinden anlam çıkarmaya çalışırız. Neyin tahmin edileceği konusunda netliğimiz yok. Soru neden bunu yaptığımızdır? .. :) Cevap - Denetimsiz öğrenmenin sonucu gruplar / kümelerdir (benzer veriler birlikte). Dolayısıyla, herhangi bir yeni veri alırsak, bunu belirlenen küme / grupla ilişkilendirir ve özelliklerini anlarız.

Umarım bu sana yardımcı olur.

denetimli öğrenme

denetimli öğrenme, ham girdinin çıktısını bildiğimiz yerdir, yani veriler etiketlenir, böylece makine öğrenme modelinin eğitimi sırasında verim çıktısında ne tespit etmesi gerektiğini anlar ve eğitim sırasında sisteme rehberlik eder. önceden etiketlenmiş nesneleri bu temelde tespit ettiğimizde, eğitimde verdiğimiz benzer nesneleri tespit edecektir.

Burada algoritmalar verinin yapısı ve örüntüsü nedir bilir. Denetimli öğrenme sınıflandırma için kullanılır

Örnek olarak, şekilleri kare, daire, üçgen olan farklı bir nesneye sahip olabiliriz, görevimiz etiketli veri kümesinin tüm şekilleri etiketli olan aynı şekil türlerini düzenlemektir ve makine öğrenme modelini bu veri kümesinde eğiteceğiz eğitim tarih kümesini temel alarak şekilleri tespit etmeye başlayacaktır.

Gözetimsiz öğrenme

Gözetimsiz öğrenme, nihai sonucun bilinmediği, veri kümesini kümeleyecek ve nesnenin benzer özelliklerine dayanarak nesneleri farklı demetlerde böler ve nesneleri tespit eder.

Burada algoritmalar ham verilerdeki farklı desenleri arayacak ve buna dayanarak verileri kümeleyecektir. Denetlenmeyen öğrenme kümelenme için kullanılır.

Örnek olarak, kare, daire, üçgen şeklinde birden fazla farklı nesneye sahip olabiliriz, bu nedenle demetleri nesne özelliklerine göre yapar, bir nesnenin dört tarafı varsa, kare olarak kabul eder ve üç tarafı üçgeni varsa ve daire dışında bir taraf yoksa, burada veriler etiketlenmez, çeşitli şekilleri tespit etmeyi öğrenir

Makine öğrenimi, insan davranışını taklit etmek için makine yapmaya çalıştığınız bir alandır.

Makineyi tıpkı bir bebek gibi eğitirsiniz.İnsanların öğrenme, özellikleri belirleme, kalıpları tanıma ve kendini eğitme şekli gibi, çeşitli özelliklerle veri besleyerek makineyi eğitirsiniz. Makine algoritması verilerdeki deseni tanımlar ve belirli bir kategoride sınıflandırır.

Makine öğrenimi genel olarak denetimli ve denetimsiz öğrenme olmak üzere iki kategoriye ayrılır.

Denetimli öğrenme, karşılık gelen hedef değeri (çıktı) olan girdi vektörüne / verilere sahip olduğunuz kavramdır.

Denetimli öğrenmenin bir örneği, karşılık gelen basamak [0-9] ile basamak görüntülerine sahip olduğunuz el yazısı rakamları tanımadır ve denetimsiz öğrenmenin bir örneği, müşterileri satın alma davranışı ile gruplandırmaktır.