Nadzorovano in nenadzorovano učenje sta dve tehniki strojnega učenja. Toda obe tehniki se uporabljata v različnih scenarijih in z različnimi nabori podatkov. Spodaj je podana razlaga obeh metod učenja skupaj s tabelo razlik.
so vzorčni primeri
Nadzorovano strojno učenje:
Nadzorovano učenje je metoda strojnega učenja, pri kateri se modeli usposabljajo z uporabo označenih podatkov. Pri nadzorovanem učenju morajo modeli najti funkcijo preslikave za preslikavo vhodne spremenljivke (X) z izhodno spremenljivko (Y).
Nadzorovano učenje potrebuje nadzor za usposabljanje modela, kar je podobno učencu, ki se uči stvari v prisotnosti učitelja. Nadzorovano učenje se lahko uporablja za dve vrsti težav: Razvrstitev in Regresija .
Nauči se več Nadzorovano strojno učenje
primer: Recimo, da imamo sliko različnih vrst sadja. Naloga našega modela nadzorovanega učenja je prepoznati plodove in jih ustrezno razvrstiti. Za identifikacijo slike pri nadzorovanem učenju bomo dali vhodne podatke in tudi izhodne podatke za to, kar pomeni, da bomo učili model glede na obliko, velikost, barvo in okus vsakega sadja. Ko bo usposabljanje končano, bomo preizkusili model z dajanjem novega kompleta sadja. Model bo identificiral sadje in napovedal rezultat z uporabo ustreznega algoritma.
Nenadzorovano strojno učenje:
Nenadzorovano učenje je še ena metoda strojnega učenja, pri kateri se vzorci sklepajo iz neoznačenih vhodnih podatkov. Cilj nenadzorovanega učenja je najti strukturo in vzorce iz vhodnih podatkov. Učenje brez nadzora ne potrebuje nobenega nadzora. Namesto tega sam najde vzorce iz podatkov.
Nauči se več Nenadzorovano strojno učenje
Učenje brez nadzora se lahko uporablja za dve vrsti težav: Grozdenje in Združenje .
primer: Za razumevanje nenadzorovanega učenja bomo uporabili zgornji primer. Za razliko od nadzorovanega učenja tukaj ne bomo zagotovili nadzora modela. Modelu bomo samo zagotovili vhodni nabor podatkov in omogočili, da model najde vzorce iz podatkov. S pomočjo ustreznega algoritma se bo model izuril in plodove razdelil v različne skupine glede na najbolj podobne lastnosti med njimi.
Glavne razlike med nadzorovanim in nenadzorovanim učenjem so navedene spodaj:
| Nadzorovano učenje | Učenje brez nadzora |
|---|---|
| Algoritmi za nadzorovano učenje se usposabljajo z uporabo označenih podatkov. | Algoritmi za nenadzorovano učenje se usposabljajo z uporabo neoznačenih podatkov. |
| Model nadzorovanega učenja uporablja neposredne povratne informacije, da preveri, ali napoveduje pravilen rezultat ali ne. | Model nenadzorovanega učenja ne sprejema povratnih informacij. |
| Model nadzorovanega učenja napoveduje rezultat. | Model nenadzorovanega učenja najde skrite vzorce v podatkih. |
| Pri nadzorovanem učenju se vhodni podatki zagotovijo modelu skupaj z izhodom. | Pri nenadzorovanem učenju se modelu posredujejo samo vhodni podatki. |
| Cilj nadzorovanega učenja je usposobiti model, da lahko predvidi rezultate, ko prejme nove podatke. | Cilj nenadzorovanega učenja je najti skrite vzorce in koristne vpoglede iz neznanega nabora podatkov. |
| Nadzorovano učenje potrebuje nadzor za usposabljanje modela. | Učenje brez nadzora ne potrebuje nobenega nadzora za usposabljanje modela. |
| Nadzorovano učenje lahko razvrstimo v Razvrstitev in Regresija težave. | Učenje brez nadzora lahko razvrstimo v Grozdenje in Asociacije težave. |
| Nadzorovano učenje se lahko uporablja za tiste primere, kjer poznamo vložek in ustrezne rezultate. | Nenadzorovano učenje lahko uporabimo za tiste primere, ko imamo samo vhodne podatke in nimamo ustreznih izhodnih podatkov. |
| Model nadzorovanega učenja daje natančne rezultate. | Model nenadzorovanega učenja lahko daje manj natančne rezultate v primerjavi z učenjem pod nadzorom. |
| Nadzorovano učenje ni blizu pravi umetni inteligenci, saj pri tem model najprej usposobimo za vsak podatek, nato pa lahko šele on predvidi pravilen izhod. | Nenadzorovano učenje je bližje pravi umetni inteligenci, saj se uči podobno, kot se otrok vsakodnevnih stvari uči iz svojih izkušenj. |
| Vključuje različne algoritme, kot so linearna regresija, logistična regresija, podporni vektorski stroj, večrazredna klasifikacija, odločitveno drevo, Bayesova logika itd. | Vključuje različne algoritme, kot so Clustering, KNN in Apriori algoritem. |