Vrste strojnega učenja: nadzorovano in nenadzorovano učenje

types machine learning

Ta vadnica z enostavnimi primeri pojasnjuje vrste strojnega učenja, tj. Nadzorovano, nenadzorovano, ojačitveno in polnadzorovano učenje. Spoznali boste tudi razlike med nadzorovanim in nenadzorovanim učenjem:

V Prejšnja vadnica , spoznali smo strojno učenje, njegovo delovanje in aplikacije. Opazili smo tudi primerjavo strojnega učenja in umetne inteligence.

Strojno učenje je področje znanosti, ki se ukvarja z učenjem računalniških programov skozi izkušnje in napovedovanjem rezultatov.

Glavna značilnost ML je učenje iz izkušenj. Učenje se zgodi, ko sistem, napolnjen z vhodnimi podatki za vadbo, spremeni svoje parametre in se prilagodi tako, da daje želeni izhod. Rezultat je ciljna vrednost, določena v podatkih o vadbi.

=> Preberite celotno serijo usposabljanja za strojno učenje

Kaj se boste naučili:

• Vrste strojnega učenja
  • # 1) Nadzorovano učenje
    • Primer nadzorovanega učenja
    • Vrste nadzorovanih učnih algoritmov
  • # 2) Nenadzorovano učenje
    • Primer nenadzorovanega učenja
    • Vrste nenadzorovanih algoritmov
  • # 3) Okrepitveno učenje
    • Primer učenja okrepitve
• Resnični primer nadzorovanega in nenadzorovanega učenja
• Razlika med nadzorovanim in nenadzorovanim učenjem
• Polnadzorovano učenje
• Zaključek
  • Priporočeno branje

Vrste strojnega učenja

Programi strojnega učenja so razvrščeni v 3 vrste, kot je prikazano spodaj.

• Nadzorovan
• Brez nadzora
• Okrepitveno učenje

Dovolite nam, da vsako od njih podrobno razumemo !!

# 1) Nadzorovano učenje

Nadzorovano učenje se dogaja v prisotnosti nadzornika, tako kot učenje, ki ga izvaja majhen otrok s pomočjo svojega učitelja. Ker je otrok pod nadzorom učitelja usposobljen za prepoznavanje sadja, barv in številk, je ta metoda pod nadzorom učenja.

Pri tej metodi učitelj preveri vsak otrokov korak in otrok se nauči na podlagi rezultatov, ki jih mora ustvariti.

Kako deluje nadzorovano učenje?

V nadzorovanem algoritmu ML je izhod že znan. Obstaja preslikava vhodnih podatkov z izhodnimi podatki. Zato je za izdelavo modela stroj napolnjen z veliko vhodnimi podatki za vadbo (z znanimi vhodnimi in ustreznimi izhodnimi podatki).

Podatki o usposabljanju pomagajo doseči raven natančnosti ustvarjenega podatkovnega modela. Zgrajeni model je zdaj pripravljen na napajanje z novimi vhodnimi podatki in napovedovanje rezultatov.

Kaj je označen nabor podatkov?

Nabor podatkov z izhodi, znanimi za dani vhod, se imenuje Označeni nabor podatkov. Na primer, znana je podoba sadja skupaj z imenom sadja. Torej, ko je prikazana nova podoba sadja, se primerja s treningom za napovedovanje odgovora.

Nadzorovano učenje je mehanizem hitrega učenja z visoko natančnostjo. Težave z nadzorovanim učenjem vključujejo težave z regresijo in klasifikacijo.

Nekateri algoritmi nadzorovanega učenja so:

• Drevesa odločanja,
• K-najbližji sosed,
• Linearna regresija,
• Podpora Vector Machine in
• Nevronske mreže.

Primer nadzorovanega učenja

• V prvem koraku se nabor podatkov o vadbi prenese v algoritem strojnega učenja.
• Z naborom podatkov o vadbi se naprava prilagodi tako, da spremeni parametre za izdelavo logičnega modela.

Vprašanja za plsql in odgovore za izkušene

• Vgrajeni model se nato uporabi za nov niz podatkov za napovedovanje izida.

Vrste nadzorovanih učnih algoritmov

• Razvrstitev: Pri tovrstnih težavah predvidevamo odziv kot posebne razrede, na primer 'da' ali 'ne'. Ko sta prisotna samo 2 razreda, se to imenuje binarna klasifikacija. Za več kot 2 vrednosti razredov se imenuje klasifikacija več razredov. Predvidene vrednosti odziva so diskretne vrednosti. Na primer, Je to podoba sonca ali lune? Algoritem za razvrščanje ločuje podatke v razrede.
• Regresija: Regresijske težave napovedujejo odziv kot neprekinjene vrednosti, kot je napovedovanje vrednosti, ki se giblje od-neskončnosti do neskončnosti. Vzame lahko veliko vrednot. Na primer, uporabljeni algoritem linearne regresije predvideva stroške hiše na podlagi številnih parametrov, kot so lokacija, bližnje letališče, velikost hiše itd.

# 2) Nenadzorovano učenje

Učenje brez nadzora se zgodi brez pomoči nadzornika, tako kot se riba nauči plavati sama. Je samostojen učni proces.

V tem modelu, ker z vhodom ni preslikanih izhodnih vrednosti, so ciljne vrednosti neznane / neoznačene. Sistem se mora sam naučiti od vnosa podatkov do njega in zaznati skrite vzorce.

Kaj je neoznačeni nabor podatkov?

Nabor podatkov z neznanimi izhodnimi vrednostmi za vse vhodne vrednosti se imenuje neoznačeni nabor podatkov.

Kako deluje nenadzorovano učenje?

Ker ni znanih izhodnih vrednosti, ki bi jih lahko uporabili za izgradnjo logičnega modela med vhodom in izhodom, se nekatere tehnike uporabljajo za rudarjenje podatkovnih pravil, vzorcev in skupin podatkov s podobnimi vrstami. Te skupine pomagajo končnim uporabnikom, da bolje razumejo podatke in najdejo pomembne rezultate.

Vloženi vnosi niso v obliki ustrezne strukture, tako kot podatki o usposabljanju (pri nadzorovanem učenju). Vsebuje lahko izstopajoče podatke, hrupne podatke itd. Ti vhodi se skupaj dovajajo v sistem. Med usposabljanjem modela so vložki organizirani tako, da tvorijo grozde.

Nenadzorovani učni algoritmi vključujejo algoritme grozdenja in združevanja, kot so:

• A priori,
• K-pomeni združevanje v skupine in druge algoritme rudarjenja po pravilih povezav.

Ko se modelu dodajo novi podatki, bo rezultat napovedal kot oznako razreda, ki mu pripada vhod. Če oznaka razreda ni prisotna, bo ustvarjen nov razred.

Med postopkom odkrivanja vzorcev v podatkih model sam prilagaja svoje parametre, zato se imenuje tudi samoorganizacija. Grozdi bodo nastali z ugotavljanjem podobnosti med vložki.

Na primer, pri nakupu izdelkov po spletu, če je v košarico vloženo maslo, predlaga nakup kruha, sira itd. Nenadzorovani model preučuje podatkovne točke in napoveduje druge lastnosti, povezane z izdelkom.

Primer nenadzorovanega učenja

Vrste nenadzorovanih algoritmov

• Algoritem grozdenja : Metode iskanja podobnosti med podatkovnimi postavkami, kot so enaka oblika, velikost, barva, cena itd., In njihovo združevanje v gručo je analiza grozdov.
• Odkrivanje zunanjih elementov : Pri tej metodi je nabor podatkov iskanje kakršnih koli različnosti in nepravilnosti v podatkih. Na primer, sistem za odkrivanje goljufij zazna transakcijo z visoko vrednostjo na kreditni kartici.
• Združenje pravilo rudarstvo : Pri tej vrsti rudarjenja ugotovi najpogostejše nabore elementov ali povezave med elementi. Združenja, kot so »izdelki, ki se pogosto kupujejo skupaj« itd.
• Samodejni kodirniki: Vhodni podatki se stisnejo v kodirano obliko in se znova ustvarijo, da se odstranijo hrupni podatki. Ta tehnika se uporablja za izboljšanje kakovosti slike in videa.

# 3) Okrepitveno učenje

Pri tej vrsti učenja se algoritem uči po mehanizmu povratnih informacij in preteklih izkušnjah. Vedno je zaželeno, da se vsak korak v algoritmu naredi za dosego cilja.

Torej, kadar koli je treba narediti naslednji korak, prejme povratne informacije iz prejšnjega koraka, skupaj z učenjem iz izkušenj, da napove, kaj bi lahko bil naslednji najboljši korak. Ta postopek se imenuje tudi postopek poskusov in napak za dosego cilja.

Okrepitveno učenje je dolgotrajen ponavljajoč se postopek. Več kot je povratnih informacij, bolj natančen je sistem. Osnovno okrepitveno učenje se imenuje tudi Markovov proces odločanja.

Primer učenja okrepitve

Primer učenja okrepitve so video igre, kjer igralci opravijo določene stopnje igre in si prislužijo nagradne točke. Igra prek povratnih premikov igralcu daje povratne informacije za izboljšanje njegove / njene uspešnosti.

Ojačitveno učenje se uporablja pri vadbi robotov, avtomobilih na lastni pogon, samodejnem upravljanju inventarja itd.

Nekateri priljubljeni algoritmi učenja okrepitve vključujejo:

• Q-učenje,
• Globoka kontradiktorna omrežja
• Časovna razlika

Spodnja slika opisuje mehanizem povratnih informacij pri krepitvi učenja.

1. Vhod opazuje agent, ki je element AI.
2. Ta agent umetne inteligence deluje na okolje v skladu s sprejeto odločitvijo.
3. Odziv okolja se pošlje AI v obliki nagrade kot povratne informacije.
4. Shranjeni so tudi stanje in ukrepi, ki se izvajajo v okolju.

(slika vir )

Resnični primer nadzorovanega in nenadzorovanega učenja

Za nadzorovano učenje:

# 1) Vzemimo primer košare zelenjave s čebulo, korenčkom, redkvico, paradižnikom itd., Ki jih lahko razporedimo v obliki skupin.

#two) Za razumevanje nadzorovanega učenja ustvarimo tabelo podatkov o usposabljanju.

Tabela podatkov o treningu označuje zelenjavo na podlagi:

• Oblika
• Barva
• Velikost

Ko je tabela podatkov o vadbi podana v stroj, bo zgradil logičen model z uporabo oblike, barve, velikosti zelenjave itd., Da bo napovedal rezultat (zelenjava).

Ko se temu modelu doda nov vhod, bo algoritem analiziral parametre in izpisal ime sadja.

Za nenadzorovano učenje:

Pri nenadzorovanem učenju ustvarja skupine ali grozde na podlagi lastnosti. V zgornjem vzorčnem naboru podatkov so parametri zelenjave:

# 1) Oblika

Zelenjava je razvrščena glede na obliko.

• Krog: Čebula in paradižnik.
• Cilindrična: Redkev in korenje.

Vzemite drug parameter, na primer velikost.

# 2) Velikost

Zelenjava je razvrščena glede na velikost in obliko:

• Srednje velike in okrogle oblike: Paradižnik
• Velika velikost in okrogla oblika: Čebula

Pri nenadzorovanem učenju nimamo nobenega nabora podatkov in spremenljivke izida, medtem ko so pri nadzorovanem učenju podatki o vadbi znani in se uporabljajo za urjenje algoritma.

Razlika med nadzorovanim in nenadzorovanim učenjem

Polnadzorovano učenje

Pristop polnadzorovanega učenja zajema tako označene kot neoznačene podatke o usposabljanju. Ta vrsta učenja je koristna, kadar je težko pridobiti uporabne lastnosti iz neoznačenih podatkov (nadzorovan pristop) in strokovnjaki za podatke težko označijo vhodne podatke (nenadzorovani pristop).

Le majhna količina označenih podatkov v teh algoritmih lahko privede do natančnosti modela.

Primeri delno nadzorovanega učenja vključujejo CT preglede in magnetno resonanco, kjer lahko medicinski strokovnjak v preiskavah označi nekaj točk za katero koli bolezen, medtem ko je težko vse preglede označiti.

Zaključek

Naloge strojnega učenja so v splošnem razvrščene na naloge nadzorovanega, nenadzorovanega, polnadzorovanega in ojačevalnega učenja.

Nadzorovano učenje je učenje s pomočjo označenih podatkov. Algoritmi ML se hranijo z naborom podatkov o usposabljanju, v katerem je za vsak vhodni podatek znan izhod za napovedovanje prihodnjih rezultatov.

Ta model je zelo natančen in hiter, vendar za izdelavo zahteva veliko strokovnega znanja in časa. Tudi ti modeli zahtevajo obnovo, če se podatki spremenijo. Naloge ML, kot sta regresija in klasifikacija, se izvajajo v nadzorovanem učnem okolju.

najboljši brezplačni video pretvornik za

Učenje brez nadzora poteka brez pomoči nadzornika. Vhodni podatki, posredovani algoritmom ML, niso označeni, tj. Za vsak vhod ni znan noben izhod. Algoritem sam odkriva trende in vzorec v vhodnih podatkih ter ustvarja povezavo med različnimi atributi vhoda.

Ta vrsta učenja je uporabna za iskanje vzorcev v podatkih, ustvarjanje skupkov podatkov in analizo v realnem času. Naloge, kot so združevanje v skupine, algoritmi KNN itd., Spadajo pod nenadzorovano učenje.

Učitve s polnadzorjenimi nalogami so prednost nadzorovanih in nenadzorovanih algoritmov s predvidevanjem rezultatov z uporabo tako označenih kot neoznačenih podatkov. Okrepitveno učenje je vrsta mehanizma povratnih informacij, pri katerem se stroj uči iz nenehnih povratnih informacij iz okolja, da doseže svoj cilj.

Pri tej vrsti učenja agenti umetne inteligence izvedejo nekaj dejanj s podatki in okolje daje nagrado. Okrepitveno učenje uporabljajo igre za več igralcev za otroke, samovozeči avtomobili itd.

Spremljajte našo prihajajočo vadnico, če želite izvedeti več o strojnem učenju in umetni nevronski mreži!

=> Obiščite tukaj za ekskluzivno serijo strojnega učenja

Priporočeno branje

• Data Mining Vs Machine Learning Vs Umetna inteligenca Vs Poglobljeno učenje
• 11 Najbolj priljubljenih orodij za strojno učenje v letu 2021
• Vadnica za strojno učenje: Uvod v ML in njegove aplikacije
• Vrste podatkov Python
• Vrste podatkov C ++
• Vrste tveganj pri programskih projektih
• Vrste preskušanja selitev: s preskusnimi scenariji za vsako vrsto
• 15 najboljših sistemov za upravljanje učenja (LMS leta 2021)