P:
Jaka jest różnica między uczeniem się nadzorowanym, bez nadzoru i częściowo nadzorowanym?
ZA:Kluczową różnicą między uczeniem nadzorowanym i bez nadzoru w uczeniu maszynowym jest wykorzystanie danych szkoleniowych.
Nadzorowane uczenie się wykorzystuje przykładowe dane, aby pokazać, jak wyglądają „prawidłowe” dane. Dane są skonstruowane tak, aby pokazać wyniki danych wejściowych.
Algorytm uczenia maszynowego, który klasyfikuje owoce, może mieć zdjęcia takich owoców, jak jabłka, banany, winogrona i pomarańcze jako dane wejściowe, a nazwy tych owoców jako dane wyjściowe.
Przykładem mogą być bayesowskie filtry antyspamowe w programach pocztowych. Te filtry są szkolone na przykładach wiadomości e-mail uważanych za spam. Filtr spamu może następnie wyszukiwać określone frazy pojawiające się w wiadomościach e-mail pojawiających się w wiadomościach spamowych i przenosić je do folderu ze spamem.
To tak, jakby pokazać człowiekowi, jak wykonać nowe zadanie. Osoba wprowadzająca dane może otrzymać przykłady danych w formacie wybranym przez firmę, a następnie oczekuje się ich przestrzegania.
Programy uczenia maszynowego wykorzystujące uczenie nadzorowane iterują wiele razy z danymi szkoleniowymi. Rezultaty mogą być imponujące, gdy naprawdę się zacznie. Filtr antyspamowy Google w Gmailu jest bardzo dokładny, ponieważ tak wielu użytkowników go trenuje.
Uczenie się bez nadzoru nie ma żadnych danych dotyczących wcześniejszego szkolenia. W naszym przykładzie klasyfikacji owoców algorytm może po prostu pokazać zdjęcia owoców i poprosić o ich sklasyfikowanie.
Uczenie się bez nadzoru ma zastosowanie w badaniach rynku poprzez uczenie się nawyków zakupowych klientów lub bezpieczeństwo poprzez monitorowanie wzorców hakowania.
Częściowo nadzorowane uczenie się stara się znaleźć środek, oznaczając niektóre dane. Na przykład jabłko i pomarańcza mogą być oznaczone w programie klasyfikacji owoców, ale banan i winogrona nie.
Kiedy stosować którykolwiek z tych algorytmów, będzie zależeć od rodzaju używanych danych. Niektóre zadania mają stabilne wzorce, takie jak oszustwa związane z kartami kredytowymi lub wiadomości spamowe. Nadzorowane uczenie się jest odpowiednie do tego rodzaju zadań. Ataki sieciowe są nieprzewidywalne, a metody uczenia się bez nadzoru lub częściowo nadzorowane mogą być bardziej odpowiednie.
