Uzraudzīta un neuzraudzīta mācīšanās ir divas mašīnmācīšanās metodes. Taču abas metodes tiek izmantotas dažādos scenārijos un ar dažādām datu kopām. Zemāk ir sniegts abu mācību metožu skaidrojums un to atšķirību tabula.
Uzraudzīta mašīnmācīšanās:
Uzraudzītā mācīšanās ir mašīnmācīšanās metode, kurā modeļi tiek apmācīti, izmantojot marķētus datus. Uzraudzītās mācībās modeļiem ir jāatrod kartēšanas funkcija, lai kartētu ievades mainīgo (X) ar izvades mainīgo (Y).
Uzraudzītām mācībām ir nepieciešama supervīzija, lai apmācītu modeli, kas ir līdzīgi tam, kā skolēns mācās lietas skolotāja klātbūtnē. Uzraudzītu mācīšanos var izmantot divu veidu problēmām: Klasifikācija un Regresija .
Uzzināt vairāk Uzraudzīta mašīnmācīšanās
Piemērs: Pieņemsim, ka mums ir dažādu veidu augļu attēls. Mūsu pārraudzītā mācību modeļa uzdevums ir identificēt augļus un attiecīgi klasificēt tos. Tātad, lai identificētu attēlu uzraudzītajā apmācībā, mēs sniegsim ievades datus, kā arī izvadi, kas nozīmē, ka mēs apmācīsim modeli pēc katra augļa formas, izmēra, krāsas un garšas. Kad apmācība būs pabeigta, mēs pārbaudīsim modeli, dodot jauno augļu komplektu. Modelis identificēs augļus un prognozēs rezultātu, izmantojot piemērotu algoritmu.
Mašīnmācīšanās bez uzraudzības:
Neuzraudzīta mācīšanās ir vēl viena mašīnmācīšanās metode, kurā modeļi tiek izsecināti no neiezīmētiem ievades datiem. Nepārraudzītas mācīšanās mērķis ir atrast struktūru un modeļus no ievades datiem. Bez uzraudzības mācībām nav nepieciešama uzraudzība. Tā vietā tas pats atrod modeļus no datiem.
konvertēt virknes datumu
Uzzināt vairāk Mašīnmācīšanās bez uzraudzības
Nepārraudzītu mācīšanos var izmantot divu veidu problēmām: Klasterizācija un asociācija .
Piemērs: Lai saprastu nekontrolētu mācīšanos, mēs izmantosim iepriekš sniegto piemēru. Tāpēc atšķirībā no uzraudzītās mācīšanās šeit mēs modelim nesniegsim nekādu uzraudzību. Mēs vienkārši nodrošināsim modeļa ievades datu kopu un ļausim modelim atrast modeļus no datiem. Izmantojot piemērotu algoritmu, modelis pats trenēsies un sadalīs augļus dažādās grupās pēc līdzīgākajām pazīmēm starp tām.
Galvenās atšķirības starp uzraudzīto un neuzraudzīto apmācību ir norādītas zemāk:
| Uzraudzīta mācīšanās | Mācības bez uzraudzības |
|---|---|
| Uzraudzīti mācību algoritmi tiek apmācīti, izmantojot marķētos datus. | Nepārraudzīti mācību algoritmi tiek apmācīti, izmantojot nemarķētus datus. |
| Uzraudzītais mācību modelis izmanto tiešu atgriezenisko saiti, lai pārbaudītu, vai tas paredz pareizu rezultātu. | Nepārraudzīts mācību modelis nepieņem nekādas atsauksmes. |
| Uzraudzīts mācību modelis prognozē rezultātu. | Nepārraudzīts mācību modelis atrod slēptos datu modeļus. |
| Uzraudzītā apmācībā modelim kopā ar izvadi tiek nodrošināti ievades dati. | Nepārraudzītā apmācībā modelim tiek nodrošināti tikai ievades dati. |
| Uzraudzītās mācīšanās mērķis ir apmācīt modeli, lai tas varētu paredzēt rezultātu, kad tam tiek doti jauni dati. | Nepārraudzītas mācīšanās mērķis ir atrast slēptos modeļus un noderīgus ieskatus no nezināmās datu kopas. |
| Uzraudzītām mācībām ir nepieciešama uzraudzība, lai apmācītu modeli. | Nepārraudzītai apmācībai nav nepieciešama uzraudzība, lai apmācītu modeli. |
| Uzraudzītās mācības var iedalīt kategorijās Klasifikācija un Regresija problēmas. | Mācības bez uzraudzības var klasificēt Klasterizācija un Asociācijas problēmas. |
| Uzraudzīto apmācību var izmantot gadījumos, kad mēs zinām ievadi, kā arī atbilstošos rezultātus. | Nepārraudzītu mācīšanos var izmantot gadījumos, kad mums ir tikai ievades dati un nav atbilstošu izejas datu. |
| Uzraudzīts mācību modelis rada precīzu rezultātu. | Neuzraudzītas mācīšanās modelis var dot mazāk precīzu rezultātu, salīdzinot ar uzraudzītu mācīšanos. |
| Uzraudzītā mācīšanās nav tuvu patiesam mākslīgajam intelektam, jo šajā gadījumā mēs vispirms apmācām modeli katram datiem, un tikai tad tas var paredzēt pareizo rezultātu. | Mācīšanās bez uzraudzības ir vairāk pietuvināta patiesajam mākslīgajam intelektam, jo tā mācās līdzīgi, kā bērns savas pieredzes rezultātā apgūst ikdienas rutīnas lietas. |
| Tas ietver dažādus algoritmus, piemēram, lineāro regresiju, loģistisko regresiju, atbalsta vektoru mašīnu, vairāku klašu klasifikāciju, lēmumu koku, Bajesa loģiku utt. | Tas ietver dažādus algoritmus, piemēram, klasterēšanu, KNN un Apriori algoritmu. |