Sissejuhatus juhendatud õppesse ja juhendamata õppesse
Juhendatud õpe ja juhendamata õpe on masinõppe ülesanded.
Juhendatud õpe on lihtsalt koolitusalustist algoritmi õppimise protsess. Juhendatud õppimine on koht, kus teil on sisendmuutujad ja väljundmuutujad ning kasutate algoritmi, et õppida kaardistamise funktsiooni sisendist väljundini. Eesmärk on lähendada kaardistamisfunktsiooni nii, et kui meil on uusi sisendandmeid, saaksime prognoosida nende andmete väljundmuutujaid.
Juhendamata õppimine on andmete aluseks oleva või varjatud struktuuri või jaotuse modelleerimine, et saada andmete kohta rohkem teavet. Juhendamata õppimine on see, kus teil on ainult sisendandmed ja puuduvad vastavad väljundmuutujad.
Koolituse andmestik: õppimiseks kasutatav näidete kogum, mille sihtväärtus on teada.
Juhitud õppe ja juhendamata õppe (infograafika) võrdlus ühest otsast teise
Allpool on seitse parimat juhendatud õppe ja juhendamata õppe võrdlust
Peamised erinevused juhendatud õppe ja juhendamata õppe vahel
Allpool on punktide loendid, kirjeldage peamisi erinevusi juhendatud õppe ja juhendamata õppe vahel
1. Masinõppe algoritmid avastavad suurandmete mustrid. Need erinevad algoritmid võib jagada kahte kategooriasse vastavalt sellele, kuidas nad „õpivad” andmeid ennustuste tegemiseks. Nendele toimub juhendamine ja juhendamine.
2. Juhendatud õppimises tegutseb teadlane juhendina, mis õpetab algoritmi, milliste järelduste või ennustustega see peaks tulema. Juhendamata õppe korral pole õiget vastust, puudub õpetaja, algoritmid jäetakse nende endi otsustada, et andmetes huvitav varjatud struktuur avastada ja esitada.
3. Juhendatud õpimudel kasutab sisendandmete ja väljundite vahelise seose õppimiseks koolitusandmeid.
4. Juhendamata õppes ei kasutata väljundandmeid. Juhendamata õppe korral ei ole need mingid märgistatud eelteadmised, samas kui juhendatud õppimisel on juurdepääs siltidele ja eelteadmised andmekogumite kohta.
5. Juhendatud õpe: mõte on, et koolitust saab üldistada ja mudelit saab teatud täpsusega kasutada uutel andmetel.
6. Juhendatud õppealgoritmid: tugivektorimasin, lineaarne ja logistiline regressioon, närvivõrk, klassifitseerimispuud ja juhuslik mets jne.
7. Järelevalveta algoritmid võib jagada erinevatesse kategooriatesse: klastri algoritmid, K-vahendid, hierarhiline rühmitamine, mõõtmete vähendamise algoritmid, anomaalia tuvastamine jne.
8. Klassifikatsiooni ja regressiooniala laialdaselt kasutatavad algoritmid juhendatud õppes. Tugivektorimasinad (SVM) on juhendatud masinõppe mudelid koos nendega seotud õppealgoritmidega, neid saab kasutada nii klassifitseerimise kui ka regressiooni eesmärkidel, kuid enamasti kasutatakse neid klassifitseerimisprobleemide lahendamiseks.
9. SVM-mudelis joonistame iga andmeühiku n-mõõtmelise ruumi punktina (kus n on funktsioonid, mis meil on), kusjuures iga tunnuse väärtused on konkreetse koordinaadi väärtus. Seejärel liigitatakse klassid eristava hüpertasandi leidmise teel.
10.Resressioonialgoritmide peamine eesmärk on ennustada diskreetset või jätkuvat väärtust. Mõnel juhul saab ennustatud väärtust kasutada atribuutide vahelise lineaarse suhte tuvastamiseks. Probleemierinevuse põhjal saab kasutada regressioonialgoritme. Mõned põhilised regressioonialgoritmid on lineaarne regressioon, polünoomi regressioon jne.
11.Klasterdamist kasutatakse laialdaselt juhendamata õppe korral. Klasterdamine on ülesanne jagada andmepunktid rühmade arvu nii, et samad tunnuspunktid oleksid koos klastri kujul. Klasterdamisalgoritme on palju rohkem; vähesed neist on ühenduvuse mudelid, tsentroidmudelid, jaotusmudelid ja tihedusmudelid.
12.Hierarhiline rühmitamine kuulub juhendamata õppimise alla. Hierarhiline klasterdamine, nagu nimigi ütleb, on algoritm, mis loob klastrite hierarhia. See algoritm algab kõigi andmepunktidega, mis on omistatud omaette klastrile. Seejärel ühendatakse kaks lähimat klastrit samasse klastrisse. Lõpuks see algoritm lõpeb, kui järele on jäänud vaid üks klaster.
13.KMeans kuulub järelevalveta klastrimeetodi alla. Andmed jaotatakse k-klastriteks nende omaduste põhjal. Iga klastrit tähistab selle keskpunkt, mis on määratletud klastri punktide keskpunktina. KMeans on lihtne ja kiire, kuid see ei anna iga jooksuga sama tulemust.
14.Valitud ja juhendamata õppe paremaks mõistmiseks võtame näiteid reaalsest elust. Juhendatud õpe: võtame näiteks ühe Gmaili funktsionaalsuse, mis on rämpspost. Uue sissetuleva meili filtreerimine sisendkausta või rämpsposti kausta, tuginedes varasemale teabele rämpsposti kohta. Selle stsenaariumi järgi on Gmail modelleeritud kaardistamisfunktsioonina, et eraldada saabuvad kirjad eelnevate teadmiste põhjal meilide kohta, see on juhendatud õpe.
15. Juhendamata õpe: Oletame, et sõber kutsub teid oma peole, kus kohtute uute inimestega. Nüüd klassifitseerite nad ilma eelteadmisteta (juhendamata õpe) ja see klassifikatsioon võib olla mis tahes tunnusjoon. See võib olla vanusegrupp, sugu, riietumine, haridustase või mis iganes viis. Kuna te ei kasutanud inimeste kohta mingeid eelteadmisi ega klassifitseerinud neid, kuulub see juhendamata õppimise alla.
Juhendatud õppimine vs juhendamata õppe võrdlustabel
| Juhendatud õppimine | Juhendamata õppimine | |
|
Meetod | Esitatakse sisend- ja väljundmuutujad. | Esitatakse ainult sisendandmed |
|
Eesmärk | Juhendatud õppe eesmärk on funktsioon nii hästi kindlaks teha, et uue sisendandmekogumi korral saaks väljundit ennustada. | Juhendamata õpieesmärk on modelleerida antud sisendandmete varjatud mustreid või alusstruktuuri, et neid tundma õppida. |
|
Klass | Masinõppe probleemid, andmekaeve ja närvivõrk, | Masinõpe, andmete kaevandamine, probleemid ja närvivõrk |
|
Näited |
|
|
| Kes kasutab | Andmeteadlased | Andmeteadlased |
|
Ökosüsteemid |
Suurte andmete töötlemine, andmete kaevandamine jne | Suurte andmete töötlemine, andmete kaevandamine jne |
|
Kasutab |
Juhendatud õpet kasutatakse ekspordisüsteemides sageli pildituvastuse, kõnetuvastuse, prognoosimise, finantsanalüüsi ja närvivõrkude ning otsustuspuude koolitamiseks jne. | Andmete eeltöötlemiseks, uuritava analüüsi ajal või juhendatud õppealgoritmide ettevalmistamiseks kasutatakse juhendamata õppe algoritme. |
Järeldus - juhendatud õpe vs juhendamata õpe
Juhendatud või juhendamata masinõppe algoritmi kasuks otsustamine sõltub tavaliselt teie andmete struktuuri ja mahuga ning kasutusjuhtudega seotud teguritest. Tegelikult kasutavad andmeteadlased enamasti juhtumi lahendamiseks nii juhendatud õppe kui ka juhendamata õppe lähenemisviise.
Soovitatav artikkel
See on olnud juhendatud õppe vs juhendamata õppe juhend, nende tähendus, võrdlus pea vahel, peamised erinevused, võrdlustabel ja järeldus. Lisateabe saamiseks võite vaadata ka järgmisi artikleid -
- Parim 7 võrdlust juhendatud õppe ja tugevdusõppe vahel
- 5 kõige kasulikumat erinevust andmeteaduse ja masinõppe vahel
- Siit saate teada 10 parimat erinevust kaardi vähendamise ja lõnga vahel
- MapReduce vs Apache Spark - 20 kasulikku võrdlust õppimiseks
- Mis on tugevdusõpe?