Учење под надзором и учење без надзора су две основне врсте парадигми машинског учења које служе различитим сврхама заснованим на природи података и циљевима задатка. Разумевање када треба користити обуку под надзором у односу на обуку без надзора је кључно у дизајнирању ефикасних модела машинског учења. Избор између ова два приступа зависи од доступности означених података, жељеног исхода и основне структуре скупа података.
Учење под надзором је врста машинског учења где се модел обучава на означеном скупу података. У контролисаном учењу, алгоритам учи да мапира улазне податке у исправне излазне податке тако што ће му бити представљени примери обуке. Ови примери обуке се састоје од парова улаз-излаз, где су улазни подаци праћени одговарајућим исправним излазом или циљном вредношћу. Циљ учења под надзором је да научи функцију мапирања од улазних варијабли у излазне, које се затим могу користити за предвиђање невидљивих података.
Учење под надзором се обично користи када је познат жељени резултат и када је циљ научити однос између улазних и излазних варијабли. Обично се примењује у задацима као што су класификација, где је циљ да се предвиде ознаке класа нових инстанци, и регресија, где је циљ предвиђање континуиране вредности. На пример, у сценарију учења под надзором, можете да обучите модел да предвиди да ли је е-пошта непожељна или не на основу садржаја е-поште и означеног статуса нежељене/непожељне поште претходних е-порука.
С друге стране, учење без надзора је врста машинског учења где се модел обучава на неозначеном скупу података. У ненадгледаном учењу, алгоритам учи обрасце и структуре из улазних података без експлицитне повратне информације о исправном излазу. Циљ учења без надзора је истраживање основне структуре података, откривање скривених образаца и извлачење смислених увида без потребе за означеним подацима.
Учење без надзора се обично користи када је циљ истраживање података, проналажење скривених образаца и груписање сличних тачака података заједно. Често се примењује у задацима као што су груписање, где је циљ груписање сличних тачака података у кластере на основу њихових карактеристика, и смањење димензионалности, где је циљ смањење броја карактеристика уз очување суштинских информација у подацима. На пример, у сценарију учења без надзора, могли бисте да користите груписање за груписање купаца на основу њиховог понашања приликом куповине без претходног знања о сегментима купаца.
Избор између учења под надзором и учења без надзора зависи од неколико фактора. Ако имате означен скуп података и желите да предвидите одређене исходе, надгледано учење је прави избор. С друге стране, ако имате неозначени скуп података и желите да истражите структуру података или пронађете скривене обрасце, учење без надзора је прикладније. У неким случајевима, комбинација и надгледаних и ненадгледаних техника, позната као полунадгледано учење, може се користити да би се искористиле предности оба приступа.
Одлука да се обука под надзором користи у односу на обуку без надзора у машинском учењу зависи од доступности означених података, природе задатка и жељеног исхода. Разумевање разлика између надгледаног и ненадгледаног учења је од суштинског значаја за дизајнирање ефикасних модела машинског учења који могу да извуку смислене увиде и направе тачна предвиђања из података.
Остала недавна питања и одговори у вези ЕИТЦ/АИ/ГЦМЛ Гоогле Цлоуд Мацхине Леарнинг:
- Шта је текст у говор (ТТС) и како функционише са АИ?
- Која су ограничења у раду са великим скуповима података у машинском учењу?
- Може ли машинско учење да пружи неку дијалошку помоћ?
- Шта је ТенсорФлов игралиште?
- Шта заправо значи већи скуп података?
- Који су неки примери хиперпараметара алгоритма?
- Шта је ансамбл учење?
- Шта ако одабрани алгоритам машинског учења није прикладан и како се може побринути да изаберете прави?
- Да ли моделу машинског учења треба надзор током обуке?
- Који су кључни параметри који се користе у алгоритмима заснованим на неуронским мрежама?
Погледајте више питања и одговора у ЕИТЦ/АИ/ГЦМЛ Гоогле Цлоуд Мацхине Леарнинг