A felügyelt és a felügyelet nélküli tanulás a gépi tanulás két technikája. De mindkét technikát különböző forgatókönyvekben és különböző adatkészletekkel használják. Az alábbiakban mindkét tanulási módszer magyarázatát adjuk meg a különbségek táblázatával együtt.
Felügyelt gépi tanulás:
A felügyelt tanulás egy gépi tanulási módszer, amelyben a modelleket címkézett adatok felhasználásával képezik. A felügyelt tanulás során a modelleknek meg kell találniuk a leképezési függvényt, hogy leképezzék a bemeneti változót (X) a kimeneti változóval (Y).
A felügyelt tanuláshoz szupervízióra van szükség a modell betanításához, ami hasonló ahhoz, mint amikor a tanuló tanár jelenlétében tanul meg dolgokat. A felügyelt tanulás kétféle probléma esetén használható: Osztályozás és Regresszió .
Tudj meg többet Felügyelt gépi tanulás
Példa: Tegyük fel, hogy különböző típusú gyümölcsökről van képünk. Felügyelt tanulási modellünk feladata a gyümölcsök azonosítása és ezek szerinti osztályozása. Tehát a felügyelt tanulás során a kép azonosításához megadjuk a bemeneti adatokat és a kimenetet is, ami azt jelenti, hogy a modellt az egyes gyümölcsök alakja, mérete, színe és íze alapján képezzük. A képzés végeztével teszteljük a modellt az új gyümölcskészlet átadásával. A modell azonosítja a gyümölcsöt és megjósolja a kimenetet egy megfelelő algoritmus segítségével.
Felügyelet nélküli gépi tanulás:
A felügyelet nélküli tanulás egy másik gépi tanulási módszer, amelyben a minták a címkézetlen bemeneti adatokból következtetnek. A felügyelet nélküli tanulás célja a struktúra és a minták megtalálása a bemeneti adatokból. A felügyelet nélküli tanulás nem igényel felügyeletet. Ehelyett saját maga talál mintákat az adatokból.
Tudj meg többet Felügyelet nélküli gépi tanulás
A felügyelet nélküli tanulás kétféle probléma esetén használható: Klaszterezés és Egyesület .
Példa: A felügyelet nélküli tanulás megértéséhez a fenti példát használjuk. Tehát a felügyelt tanulással ellentétben itt nem biztosítunk felügyeletet a modell számára. Csak megadjuk a bemeneti adatkészletet a modellnek, és lehetővé tesszük, hogy a modell megtalálja a mintákat az adatokból. A modell egy megfelelő algoritmus segítségével képezi magát, és a gyümölcsöket csoportokba osztja a közöttük leginkább hasonló jellemzők szerint.
A felügyelt és a nem felügyelt tanulás közötti fő különbségek az alábbiak:
| Felügyelt tanulás | Felügyelet nélküli tanulás |
|---|---|
| A felügyelt tanulási algoritmusok képzése címkézett adatok felhasználásával történik. | A nem felügyelt tanulási algoritmusok képzése címkézetlen adatok felhasználásával történik. |
| A felügyelt tanulási modell közvetlen visszacsatolást vesz igénybe annak ellenőrzésére, hogy helyes kimenetet jósol-e vagy sem. | A nem felügyelt tanulási modell nem fogad visszajelzést. |
| A felügyelt tanulási modell előrejelzi a kimenetet. | A nem felügyelt tanulási modell megtalálja az adatok rejtett mintáit. |
| A felügyelt tanulás során a bemeneti adatok a kimenettel együtt a modellhez kerülnek. | Felügyelet nélküli tanulás esetén csak a bemeneti adatok kerülnek a modellbe. |
| A felügyelt tanulás célja a modell betanítása, hogy képes legyen előre jelezni a kimenetet, amikor új adatot kap. | A felügyelet nélküli tanulás célja, hogy megtalálja a rejtett mintákat és hasznos meglátásokat az ismeretlen adatkészletből. |
| A felügyelt tanuláshoz szupervízió szükséges a modell betanításához. | A felügyelet nélküli tanuláshoz nincs szükség felügyeletre a modell betanításához. |
| A felügyelt tanulás kategóriába sorolható Osztályozás és Regresszió problémákat. | A felügyelet nélküli tanulás besorolható Klaszterezés és Egyesületek problémákat. |
| A felügyelt tanulás olyan esetekben használható, amikor ismerjük a bemenetet és a megfelelő kimeneteket. | A felügyelet nélküli tanulás olyan esetekben használható, amikor csak bemeneti adatokkal rendelkezünk, és nincs megfelelő kimeneti adatunk. |
| A felügyelt tanulási modell pontos eredményt ad. | A felügyelt tanulási modell kevésbé pontos eredményt adhat, mint a felügyelt tanulás. |
| A felügyelt tanulás nem közelíti meg a valódi mesterséges intelligenciát, hiszen ebben először minden adatra betanítjuk a modellt, majd csak az tudja megjósolni a helyes kimenetet. | A felügyelet nélküli tanulás közelebb áll a valódi mesterséges intelligenciához, mivel hasonlóan tanul, mint a gyermek a mindennapi rutin dolgokat a tapasztalatai alapján. |
| Különféle algoritmusokat tartalmaz, mint például a lineáris regresszió, a logisztikai regresszió, a támogatási vektorgép, a több osztályú osztályozás, a döntési fa, a Bayes-logika stb. | Különféle algoritmusokat tartalmaz, mint például a klaszterezés, a KNN és az Apriori algoritmus. |