Ključna razlika – nadzirano naspram nenadziranog mašinskog učenja
Učenje pod nadzorom i učenje bez nadzora su dva osnovna koncepta mašinskog učenja. Nadzirano učenje je zadatak strojnog učenja učenja funkcije koja mapira ulaz u izlaz na osnovu primjera parova ulaz-izlaz. Učenje bez nadzora je zadatak mašinskog učenja zaključivanja funkcije za opisivanje skrivene strukture iz neoznačenih podataka. Ključna razlika između nadgledanog i nenadziranog mašinskog učenja je u tome što učenje pod nadzorom koristi označene podatke, dok učenje bez nadzora koristi neoznačene podatke.
Mašinsko učenje je polje u računarstvu koje daje mogućnost kompjuterskom sistemu da uči iz podataka bez eksplicitnog programiranja. Omogućava analizu podataka i predviđanje obrazaca u njima. Postoje mnoge primjene mašinskog učenja. Neki od njih su prepoznavanje lica, gestova i govora. Postoje različiti algoritmi vezani za mašinsko učenje. Neki od njih su regresija, klasifikacija i grupisanje. Najčešći programski jezici za razvoj aplikacija zasnovanih na mašinskom učenju su R i Python. Mogu se koristiti i drugi jezici kao što su Java, C++ i Matlab.
Šta je učenje pod nadzorom?
U sistemima baziranim na mašinskom učenju, model radi prema algoritmu. U nadziranom učenju model se nadgleda. Prvo, potrebno je obučiti model. Sa stečenim znanjem može predvideti odgovore za buduće slučajeve. Model je obučen korištenjem označenog skupa podataka. Kada se sistemu daju podaci izvan uzorka, on može predvidjeti rezultat. Slijedi mali izvod iz popularnog IRIS skupa podataka.
Prema gornjoj tabeli, dužina sepala, širina sepala, dužina patela, širina patela i vrsta nazivaju se atributima. Kolone su poznate kao karakteristike. Jedan red sadrži podatke za sve atribute. Stoga se jedan red naziva posmatranjem. Podaci mogu biti brojčani ili kategorički. Modelu su data zapažanja sa odgovarajućim imenom vrste kao ulaznim podacima. Kada se da novo zapažanje, model treba da predvidi vrstu vrste kojoj pripada.
U nadgledanom učenju postoje algoritmi za klasifikaciju i regresiju. Klasifikacija je proces klasifikacije označenih podataka. Model je stvorio granice koje razdvajaju kategorije podataka. Kada se modelu daju novi podaci, on se može kategorizirati na osnovu toga gdje tačka postoji. K-Nearest Neighbours (KNN) je model klasifikacije. U zavisnosti od vrijednosti k, odlučuje se o kategoriji. Na primjer, kada je k 5, ako je određena data tačka blizu osam tačaka podataka u kategoriji A i šest tačaka podataka u kategoriji B, tada će data tačka biti klasifikovana kao A.
Regresija je proces predviđanja trenda prethodnih podataka radi predviđanja ishoda novih podataka. U regresiji, izlaz se može sastojati od jedne ili više kontinuiranih varijabli. Predviđanje se vrši pomoću linije koja pokriva većinu tačaka podataka. Najjednostavniji model regresije je linearna regresija. Brz je i ne zahtijeva podešavanje parametara kao što je KNN. Ako podaci pokazuju parabolički trend, tada model linearne regresije nije prikladan.
Ovo su neki primjeri algoritama učenja pod nadzorom. Općenito, rezultati generirani metodama učenja pod nadzorom su tačniji i pouzdaniji jer su ulazni podaci dobro poznati i označeni. Stoga, mašina mora analizirati samo skrivene obrasce.
Šta je učenje bez nadzora?
U nenadgledanom učenju, model nije nadgledan. Model radi samostalno, kako bi predvidio ishode. Koristi algoritme mašinskog učenja da bi došao do zaključaka o neoznačenim podacima. Općenito, algoritmi učenja bez nadzora su teži od algoritama učenja pod nadzorom jer ima malo informacija. Grupiranje je vrsta učenja bez nadzora. Može se koristiti za grupisanje nepoznatih podataka pomoću algoritama. K-srednja vrijednost i grupiranje zasnovano na gustini su dva algoritma za grupisanje.
k-srednji algoritam, postavlja k centar nasumično za svaki klaster. Zatim se svaka data tačka dodeljuje najbližem centroidu. Euklidska udaljenost se koristi za izračunavanje udaljenosti od tačke podataka do centra. Podaci su klasifikovani u grupe. Ponovo se izračunavaju pozicije za k centara. Nova pozicija centra je određena srednjom vrijednosti svih tačaka u grupi. Ponovo se svaka data tačka dodjeljuje najbližem centroidu. Ovaj proces se ponavlja sve dok se centriroidi više ne mijenjaju. k-mean je brzi algoritam za grupisanje, ali nema specificirane inicijalizacije tačaka grupisanja. Takođe, postoji velika varijacija modela grupisanja zasnovanih na inicijalizaciji tačaka klastera.
Još jedan algoritam za grupisanje je grupisanje zasnovano na gustoći. Poznata je i kao aplikacije prostornog klasteriranja zasnovane na gustini sa šumom. Radi tako što definira klaster kao maksimalni skup gustoće povezanih tačaka. To su dva parametra koja se koriste za grupisanje zasnovano na gustoći. To su Ɛ (epsilon) i minimalni bodovi. Ɛ je maksimalni radijus susjedstva. Minimalne tačke su minimalni broj tačaka u Ɛ susjedstvu za definiranje klastera. Ovo su neki primjeri grupiranja koje spada u učenje bez nadzora.
Generalno, rezultati generisani algoritmima učenja bez nadzora nisu mnogo precizni i pouzdani jer mašina mora da definiše i označi ulazne podatke pre nego što odredi skrivene obrasce i funkcije..
Koja je sličnost između nadgledanog i nenadziranog mašinskog učenja?
Učenje pod nadzorom i učenje bez nadzora su vrste mašinskog učenja
Koja je razlika između nadgledanog i nenadziranog mašinskog učenja?
Nadzirano vs Nenadzirano mašinsko učenje |
|
| Učenje pod nadzorom je zadatak mašinskog učenja učenja funkcije koja mapira ulaz u izlaz na osnovu primjera ulazno-izlaznih parova. | Učenje bez nadzora je zadatak mašinskog učenja zaključivanja funkcije za opisivanje skrivene strukture iz neoznačenih podataka. |
| Glavna funkcionalnost | |
| U nadziranom učenju, model predviđa ishod na osnovu označenih ulaznih podataka. | U učenju bez nadzora, model predviđa ishod bez označenih podataka tako što sam identificira obrasce. |
| Preciznost rezultata | |
| Rezultati dobijeni metodama učenja pod nadzorom su precizniji i pouzdaniji. | Rezultati generirani metodom učenja bez nadzora nisu mnogo precizni i pouzdani. |
| Glavni algoritmi | |
| Postoje algoritmi za regresiju i klasifikaciju u nadziranom učenju. | Postoje algoritmi za grupisanje u učenju bez nadzora. |
Sažetak – nadzirano naspram nenadziranog mašinskog učenja
Učenje pod nadzorom i Učenje bez nadzora su dvije vrste mašinskog učenja. Nadzirano učenje je zadatak strojnog učenja učenja funkcije koja mapira ulaz u izlaz na osnovu primjera parova ulaz-izlaz. Učenje bez nadzora je zadatak strojnog učenja zaključivanja funkcije za opisivanje skrivene strukture iz neoznačenih podataka. Razlika između nadgledanog i nenadziranog mašinskog učenja je u tome što učenje pod nadzorom koristi označene podatke, dok nenadzirano učenje koristi neoznačene podatke.
