Jaka jest różnica między uczeniem nadzorowanym a uczeniem bez nadzoru?

Nadzorowane uczenie się polega na tym, że dane, które przekazujesz algorytmowi, są "oznaczone", aby pomóc Twojej logice w podejmowaniu decyzji.

Przykład: filtrowanie spamu Bayesa, gdzie musisz oznaczyć element jako spam, aby poprawić wyniki.

Uczenie bez nadzoru to rodzaje algorytmów, które próbują znaleźć korelacje bez zewnętrznych danych wejściowych innych niż surowe dane.

Przykład: algorytmy klastrowania danych.

Nauka nadzorowana

Aplikacje, w których dane treningowe zawierają przykłady wektorów wejściowych wraz z odpowiadającymi im wektorami docelowymi, są znane jako nadzorowane problemy uczenia się.

Nauka bez nadzoru

W innych problemach rozpoznawania wzorców dane treningowe składają się ze zbioru wektorów wejściowych x bez odpowiednich wartości docelowych. Celem takich problemów uczenia się bez nadzoru może być odkrycie grup podobnych przykładów w danych, gdzie nazywa się klastrowanie

W nauczaniu nadzorowanym program jest dostarczany z rzeczywistymi outcome.So wynik nazywa się klasą przykładu.

Ale w uczeniu się bez nadzoru Klasa przykładu nie jest known.So nauka bez nadzoru polega na próbach znalezienia ukrytej struktury w nieoznakowanym (nieznanym) zbiorze danych.

Metody uczenia się bez nadzoru obejmują:

• Clustering (K-mean,hierarchiczny clustering)

• Zasada Stowarzyszenia Nauka

Metody nauczania nadzorowanego obejmują:

• Klasyfikacji (1R, Naive Bayes, Decision tree learning algorithm such jako wózek ID3 i tak dalej)

• Przewidywanie Wartości Liczbowych

Na przykład, bardzo często szkolenie sieci neuronowej jest nauką nadzorowaną: mówisz sieci, do której klasy odpowiada wektor funkcji, którą karmisz.

Grupowanie jest nauką bez nadzoru: pozwalasz algorytmowi decydować, jak grupować próbki do klas, które mają wspólne właściwości.

Innym przykładem uczenia się bez nadzoru jest samoorganizujące się Mapy Kohonena .

Jeśli chcesz poznać ich znaczenie tak prosto, mogę ci podać przykład: na przykład: musisz rozpoznać, który Pojazd to samochód, a który motocykl? w nadzorowane uczenie się danych wejściowych powinno mieć label.It oznacza to, że najpierw należy przypisać, że pojazd, który ma 2 koła i rozmiar jest mały, to motocykl.(W tym przypadku przekazujemy informacje bezpośrednio). Ale w bez nadzoru uczenie się, nie oznaczasz wejść.dajesz kilka różnych wejść do maszyna i maszyna skupiają je według ich podobnych funkcji.

Krótka odpowiedź:

Uczenie maszynowe można podzielić na dwa algorytmy uczenia się:

Nadzorowane uczenie się : podajesz różne przykładowe dane jako dane wejściowe wraz z poprawnymi odpowiedziami. Algorytm ten nauczy się z niego i zacznie przewidywać poprawne wyniki na podstawie danych wejściowych. przykład: Email filtr antyspamowy

Nauka bez nadzoru: po prostu dajesz Dane i nic nie mówisz-jak etykiety lub popraw odpowiedzi. Algorytm automatycznie analizuje wzorce w danych. Przykład: Google News

Zawsze uważałem, że rozróżnienie między nauką bez nadzoru a nadzorowaną jest arbitralne i trochę mylące. Nie ma rzeczywistego rozróżnienia między tymi dwoma przypadkami, zamiast tego istnieje szereg sytuacji, w których algorytm może mieć mniej lub bardziej "Nadzór". Istnienie pół-nadzorowanego uczenia się jest oczywistym przykładem, w którym linia jest zamazana.

Mam tendencję do myślenia o nadzorze jako o przekazywaniu algorytmowi informacji zwrotnej o tym, jakie rozwiązania powinny być preferowane. Na tradycyjne ustawienia nadzorowane, takie jak wykrywanie spamu, mówisz algorytmowi "nie popełniaj żadnych błędów na zestawie treningowym"; w przypadku tradycyjnych ustawień nienadzorowanych, takich jak grupowanie, mówisz algorytmowi "punkty, które są blisko siebie, powinny znajdować się w tym samym klastrze" . Tak się składa, że pierwsza forma sprzężenia zwrotnego jest o wiele bardziej szczegółowa niż ta druga.

Krótko mówiąc, Gdy ktoś mówi "nadzorowany", myśl, gdy mówi "nienadzorowany" pomyśl o grupowaniu i staraj się nie martwić zbytnio o to.

Uczenie maszynowe: Zajmuje się badaniem i konstruowaniem algorytmów, które mogą uczyć się i przewidywać na danych.Takie algorytmy działają poprzez budowanie modelu z przykładowych wejść w celu dokonywania prognoz lub decyzji opartych na danych wyrażonych jako wyjścia, a nie zgodnie z ściśle statycznymi instrukcjami programu.

Uczenie nadzorowane: Jest to zadanie uczenia maszynowego wnioskowania funkcji z oznakowanych danych treningowych.Dane treningowe składają się z zestawu przykłady szkoleń. W uczeniu nadzorowanym każdy przykład jest parą składającą się z obiektu wejściowego (zazwyczaj wektora) i pożądanej wartości wyjściowej (zwanej również sygnałem nadzorczym). Nadzorowany algorytm uczenia analizuje dane treningowe i tworzy wywnioskowaną funkcję, którą można wykorzystać do mapowania nowych przykładów.

komputer przedstawia przykładowe wejścia i ich pożądane wyjścia, podane przez "nauczyciela" , a celem jest poznanie ogólnej zasady, która mapuje wejścia do wyjścia.W szczególności, nadzorowany algorytm uczenia się pobiera znany zestaw danych wejściowych i znanych odpowiedzi na dane (wyjście) i trenuje model do generowania rozsądnych prognoz dla odpowiedzi na nowe dane.

Nauka bez nadzoru: To nauka bez nauczyciela. Jeden podstawowy to, co możesz zrobić z danymi, to zwizualizować je. Jest to zadanie uczenia maszynowego wnioskowania funkcji do opisu ukrytej struktury z nieoznakowanych danych. Ponieważ przykłady biorąc pod uwagę, że uczeń nie jest oznakowany, nie ma sygnału błędu ani nagrody, aby ocenić potencjalne rozwiązanie. To odróżnia uczenie się bez nadzoru od uczenia nadzorowanego. Uczenie się bez nadzoru wykorzystuje procedury, które próbują znaleźć naturalne partycje wzorców.

W przypadku uczenia bez nadzoru nie ma informacji zwrotnej na podstawie wyników przewidywania, tzn. nie ma nauczyciela, który by cię poprawił.W ramach nienadzorowanych metod uczenia się nie podano oznaczonych przykładów i nie ma pojęcia wyników podczas procesu uczenia się. W rezultacie do schematu/modelu uczenia się należy znalezienie wzorców lub odkrycie grup danych wejściowych

Powinieneś używać metod uczenia bez nadzoru, gdy potrzebujesz dużej ilość danych do szkolenia modeli, a także gotowość i zdolność eksperymentować i odkrywać, i oczywiście wyzwanie, które nie jest dobrze rozwiązywane za pomocą bardziej ustalonych metod.Przy nienadzorowanej nauce jest można dowiedzieć się więcej i więcej złożone modele niż w przypadku nadzorowanych nauka. tutaj {[23] } jest dobrym przykładem na to

.

Nadzorowane uczenie się, biorąc pod uwagę dane z odpowiedzią.

Podany e-mail oznaczony jako spam / nie spam, poznaj filtr antyspamowy.

Biorąc pod uwagę zbiór danych pacjentów zdiagnozowanych jako cierpiących na cukrzycę lub nie, naucz się klasyfikować nowych pacjentów jako cierpiących na cukrzycę lub nie.

Uczenie się bez nadzoru, biorąc pod uwagę dane bez odpowiedzi, pozwól komputerowi pogrupować rzeczy.

Biorąc pod uwagę zbiór artykułów znalezionych w sieci, pogrupuj w zestaw artykułów o tym samym historia.

Biorąc pod uwagę bazę danych niestandardowych, automatycznie odkrywaj segmenty rynku i grupuj klientów w różne segmenty rynku.

Odniesienie

Nauka Nadzorowana

W tym, każdy wzorzec wejściowy, który jest używany do treningu sieci jest związany z wzorcem wyjściowym, który jest celem lub pożądanym wzór. Zakłada się, że nauczyciel jest obecny podczas nauki procesu, gdy dokonuje się porównania między obliczonymi sieciami wyjście i prawidłowe oczekiwane wyjście, aby określić błąd. Na błąd może być następnie użyty do zmiany parametrów sieci, co skutkuje poprawa w wydajność.

Nauka Bez Nadzoru

W tej metodzie uczenia docelowy wynik nie jest przedstawiany sieć. To tak, jakby nie było nauczyciela, który przedstawiłby pożądane wzorca, a tym samym system uczy się o sobie poprzez odkrywanie i dostosowanie do cech strukturalnych we wzorcach wejściowych.

Postaram się to uprościć.

Nadzorowane uczenie się: w tej technice uczenia się otrzymujemy zbiór danych, a system zna już poprawne wyniki zbioru danych. Więc tutaj nasz system uczy się przewidując własną wartość. Następnie sprawdza dokładność za pomocą funkcji kosztów, aby sprawdzić, jak blisko jego przewidywania było do rzeczywistej produkcji.

Nauka bez nadzoru: w tym podejściu podchodzimy z niewielką lub żadną wiedzą o tym, jaki byłby nasz wynik. Więc zamiast tego czerpiemy strukturę z danych, w których nie znamy efektu zmiennej. Tworzymy strukturę, grupując dane na podstawie relacji między zmienną w danych. Tutaj nie mamy informacji zwrotnej na podstawie naszych prognoz.

Nauka Nadzorowana

Nadzorowane uczenie się opiera się na szkoleniu próbki danych ze źródła danych z przypisaną już poprawną klasyfikacją. Takie techniki są wykorzystywane w procesie wsadowym lub wielowarstwowym Modele Perceptron (MLP). Te MLP mają trzy charakterystyczne charakterystyka:

1. jedna lub więcej warstw ukrytych neuronów, które nie są częścią wejścia lub warstwy wyjściowe sieci, które pozwalają sieci uczyć się i rozwiąż każdy kompleks problemy
2. Nieliniowość odzwierciedlona w aktywności neuronów jest różniczkowalne oraz,
[[19]}model połączenia sieci wykazuje wysoki stopień łączność.

Te cechy wraz z nauką poprzez szkolenie rozwiązuj trudne i różnorodne problemy. Nauka poprzez szkolenie w nadzorowanym modelu ANN zwanym również algorytmem odwrotności błędów. Korekcja błędów-nauka algorytm trenuje sieć na podstawie wejścia-wyjścia próbki i znajduje sygnał błędu, który jest różnicą wyjście obliczone i żądane wyjście i dostosowuje masy synaptyczne neuronów, które są proporcjonalne do iloczyn sygnału błędu I instancji wejściowej masa synaptyczna. W oparciu o tę zasadę, błąd z powrotem nauka propagacji odbywa się w dwóch przebiegach:

Przejście Do Przodu:

Tutaj, wektor wejściowy jest przedstawiony do sieci. Ten sygnał wejściowy propaguje się do przodu, neuron przez neuron poprzez sieci i wyłania się na końcu wyjściowym sieć jako sygnał wyjściowy: y(n) = φ(v(n)) Gdzie v(n) jest indukowanym polem lokalnym neuronu zdefiniowanym przez v(n) =Σ w(n)y(n). Wyjście obliczone na warstwie wyjściowej o (n) jest porównywane z żądaną odpowiedzią d(n) i znajduje błąd e(n) dla tego neuronu. Masy synaptyczne sieci podczas tego przejścia pozostają takie same.

Wstecz Pass:

Sygnał błędu, który pochodzi z neuronu wyjściowego tej warstwy, jest propagowany wstecz przez sieć. W zależności od tego, czy neuron jest neuronem, czy neuron jest neuronem czy neuron jest neuronem czy neuronem.]}

Δw(n) = η * δ(n) * y(n).

To rekurencyjne obliczenia są kontynuowane, z przelotem do przodu, a następnie przelotem do tyłu dla każdego wzorca wejściowego, aż do połączenia sieci.

Nadzorowany paradygmat uczenia się ANN jest skuteczny i znajduje rozwiązania kilku liniowych i nieliniowych problemów, takich jak klasyfikacja, Kontrola roślin, prognozowanie, przewidywanie, Robotyka itp.

Uczenie Się Bez Nadzoru

Samoorganizujące się sieci neuronowe uczą się za pomocą nienadzorowanego algorytmu uczenia do identyfikacji ukrytych wzorców w nieoznakowanych danych wejściowych. To bez nadzoru odnosi się do zdolności uczenia się i organizowania informacji bez dostarczania sygnału błędu do oceny potencjalnego rozwiązania. Brak kierunku dla algorytmu uczenia się w uczeniu nienadzorowanym może być kiedyś korzystne, ponieważ pozwala algorytmowi spojrzeć wstecz na wzorce, które nie były wcześniej brane pod uwagę. Główne cechy samoorganizujących się Map (SOM) to:

1. przekształca wzór sygnału przychodzącego o dowolnym wymiarze na jedną lub 2-wymiarową mapę i wykonać tę transformację adaptacyjnie
2. sieć reprezentuje strukturę feedforward z pojedynczym warstwa obliczeniowa składająca się z neuronów ułożonych w rzędach i kolumny. Na każdym etapie reprezentacji, każdy sygnał wejściowy jest przechowywany w odpowiednim kontekście oraz,
3. neurony zajmujące się ściśle powiązanymi informacjami są bliskie razem i komunikują się poprzez połączenia synaptyczne.

Warstwa obliczeniowa jest również nazywana warstwą konkurencyjną, ponieważ neurony w warstwie konkurują ze sobą, aby stać się aktywnymi. Stąd ten algorytm uczenia się nazywany jest algorytmem konkurencyjnym. Algorytm nienadzorowany w SOM działa w trzech fazy:

Faza Konkursowa:

Dla każdego wzoru wejściowego x, przedstawionego w sieci, oblicza się produkt wewnętrzny z masą synaptyczną w i neurony w warstwie konkurencyjnej znajdują funkcję dyskryminującą, która indukuje konkurencję między neuronami, a wektor masy synaptycznej, który znajduje się blisko wektora wejściowego w odległości euklidesowej, jest ogłaszany jako zwycięzca w konkursie. Ten neuron nazywa się najlepszym dopasowaniem neuron,

i.e. x = arg min ║x - w║.

Faza współpracy:

Faza adaptacyjna:

Umożliwia neuronowi wygrywającemu i jego sąsiadującym neuronom zwiększenie ich indywidualnych wartości rozróżniającego funkcja w stosunku do wzorca wejściowego dzięki odpowiednim regulacjom masy synaptycznej,

 Δw = ηh(x)(x –w).

Po wielokrotnej prezentacji wzorców treningowych, synaptyczne wektory ciężaru mają tendencję do podążania za rozkładem wzorców wejściowych ze względu na aktualizację Sąsiedztwa i tym samym ANN uczy się bez przełożonego.

Samoorganizujący się Model naturalnie reprezentuje zachowanie neuro-biologiczne, a zatem jest używany w wielu rzeczywistych aplikacjach, takich jak grupowanie, rozpoznawanie mowy, segmentacja tekstur, kodowanie wektorowe itp.

Referencja.

Uczenie Nadzorowane: Jest to zadanie uczenia maszynowego wnioskowania funkcji z oznakowanych danych treningowych.

Nauka Bez Nadzoru: Jest to zadanie uczenia maszynowego wnioskowania funkcji do opisu ukrytej struktury z "nieoznakowanych" danych (klasyfikacja lub Kategoryzacja nie jest uwzględniona w obserwacjach).

W uczenie nadzorowane wiemy, jakie powinny być Dane wejściowe i wyjściowe. Na przykład , biorąc pod uwagę zestaw samochodów. Musimy się dowiedzieć, które czerwone, a które niebieskie.

Natomiast Nauka bez nadzoru to miejsce, w którym musimy znaleźć odpowiedź z bardzo małym lub bez żadnego pojęcia o tym, jak powinno być wyjście. Na przykład, uczeń może być w stanie zbudować model, który wykrywa, kiedy ludzie się uśmiechają na podstawie korelacji wzorców twarzy i słów takich jak "Jakie są uśmiechasz się?".

Nadzorowane uczenie się może oznaczać nowy przedmiot na jednej ze szkolonych etykiet w oparciu o uczenie się podczas szkolenia. Musisz dostarczyć dużą liczbę zestawów danych treningowych, zestawów danych walidacyjnych i zestawów danych testowych. Jeśli podasz wektory obrazu pikselowego cyfr wraz z danymi treningowymi z etykietami, to może zidentyfikować liczby.

Nauka bez nadzoru nie wymaga zestawów danych treningowych. W nauce nienadzorowanej może grupować przedmioty w różne klastry na podstawie różnicy w wektory wejściowe. Jeśli podasz wektory obrazu pikselowego cyfr i poprosisz o klasyfikację do 10 kategorii, może to zrobić. Ale wie, jak go etykietować, ponieważ nie dostarczyłeś etykiet szkoleniowych.

Nadzorowane uczenie się polega na tym, że mamy zmienne wejściowe (x) i wyjściowe (y) i używamy algorytmu do uczenia się funkcji mapowania z wejścia na wyjście. Powodem, dla którego nazwaliśmy to jako nadzorowane, jest to, że algorytm uczy się z zestawu danych treningowych, algorytm iteracyjnie tworzy prognozy na danych treningowych. Nadzorowane mają dwa typy-klasyfikację i regresję. Klasyfikacja jest wtedy, gdy zmienna wyjściowa jest kategorią tak / nie, prawda / fałsz. Regresja jest wtedy, gdy wyjście to rzeczywiste wartości takie jak wysokość osoby, temperatura itp.

Un nadzorowane uczenie jest tam, gdzie mamy tylko dane wejściowe (X) i nie ma zmiennych wyjściowych. To się nazywa nauka bez nadzoru, ponieważ w przeciwieństwie do nauki nadzorowanej powyżej nie ma poprawnych odpowiedzi i nie ma nauczyciela. Algorytmy pozostawione są własnym pomysłom, aby odkryć i przedstawić interesującą strukturę w danych.

Rodzaje uczenia się bez nadzoru to grupowanie i Asocjacja.

Nadzorowane uczenie się jest w zasadzie techniką, w której dane treningowe, z których uczy się Maszyna, są już oznaczone, co jest Załóżmy prostym klasyfikatorem parzystych liczb nieparzystych, w którym już zaklasyfikowałeś dane podczas treningu . Dlatego wykorzystuje dane "oznakowane".

Nauka bez nadzoru wręcz przeciwnie jest techniką, w której maszyna sama etykietuje dane . Albo możesz powiedzieć, że to przypadek, gdy maszyna uczy się sama od zera.

W Prostym uczenie nadzorowane jest rodzajem problemu uczenia maszynowego, w którym mamy pewne etykiety i używając tych etykiet implementujemy algorytmy takie jak regresja i klasyfikacja .Klasyfikacja jest stosowana tam, gdzie nasze wyniki są jak w postaci 0 LUB 1, prawda / fałsz, tak/nie. i regresja jest stosowana, gdzie out umieścić rzeczywistą wartość takiego domu ceny

Uczenie bez nadzoru jest rodzajem problemu uczenia maszynowego, w którym nie mamy żadnych etykiet mamy tylko niektóre dane ,dane nieustrukturyzowane i musimy klastrować dane (grupowanie danych)za pomocą różnych nienadzorowanych algorytmów

Nadzorowane Uczenie Maszynowe

"proces algorytmu uczenia się z danych treningowych i / align = "left" / "

Dokładność przewidywanych wyników wprost proporcjonalna do danych treningowych (długość)

Uczenie nadzorowane to miejsce, w którym masz zmienne wejściowe (x) (zbiór danych treningowych) i zmienną wyjściową (Y) (zbiór danych testowych) i używasz algorytmu do uczenia się funkcji mapowania z wejścia na wyjście.

Y = f(X)

Major rodzaje:

• Klasyfikacja (Dyskretna oś y)
• predykcyjna (ciągła oś y)

Algorytmy:

• Algorytmy Klasyfikacji:

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

• Algorytmy Predykcyjne:

  Nearest  neighbor  
  Linear Regression,Multi Regression 
  

Obszary zastosowania:

1. klasyfikowanie e-maili jako spam
2. Klasyfikacja, czy pacjent ma choroba czy nie

3. Rozpoznawanie Głosu

4. Przewidywanie HR wybierz konkretny kandydat czy nie

5. Przewidywanie ceny giełdowej

Nauka nadzorowana

Masz wejście x i docelowe wyjście t. więc trenujesz algorytm, aby uogólnić na brakujące części. Jest nadzorowany, ponieważ cel jest podany. Jesteś przełożonym, który mówi algorytmowi: dla przykładu x powinieneś wypisać t!

Nauka bez nadzoru

Chociaż segmentacja, klastrowanie i kompresja są zwykle liczone w tym kierunku, trudno mi wymyślić dla niej dobrą definicję.

Weźmy autoenkodery kompresji jako przykład. Chociaż masz tylko dane wejściowe x, to ludzki inżynier mówi algorytmowi, że celem jest również x. więc w pewnym sensie nie różni się to od uczenia nadzorowanego.

I dla klastrowania i segmentacji, nie jestem zbyt pewien, czy to naprawdę pasuje do definicji uczenia maszynowego (zobacz inne pytanie ).

Nadzorowane Uczenie Się: oznaczasz Dane i musisz się z tego uczyć. np. dane domu wraz z ceną, a następnie nauczyć się przewidywać cenę

Nauka bez nadzoru: musisz znaleźć trend, a następnie przewidzieć, Nie podano wcześniej etykiet. np. różne osoby w klasie, a potem przychodzi nowa osoba, więc do jakiej grupy należy ten nowy uczeń.