Învățarea supravegheată și nesupravegheată sunt cele două tehnici de învățare automată. Dar ambele tehnici sunt utilizate în scenarii diferite și cu seturi de date diferite. Mai jos este prezentată explicația ambelor metode de învățare împreună cu tabelul de diferențe ale acestora.
Învățare automată supravegheată:
Învățarea supravegheată este o metodă de învățare automată în care modelele sunt antrenate folosind date etichetate. În învățarea supravegheată, modelele trebuie să găsească funcția de mapare pentru a mapa variabila de intrare (X) cu variabila de ieșire (Y).
java arraylist sortată
Învățarea supravegheată are nevoie de supraveghere pentru a antrena modelul, care este similar cu cum un elev învață lucruri în prezența unui profesor. Învățarea supravegheată poate fi utilizată pentru două tipuri de probleme: Clasificare și Regresia .
Află mai multe Învățare automată supravegheată
Exemplu: Să presupunem că avem o imagine a diferitelor tipuri de fructe. Sarcina modelului nostru de învățare supravegheată este de a identifica fructele și de a le clasifica în consecință. Așadar, pentru a identifica imaginea în învățarea supravegheată, vom oferi datele de intrare precum și ieșirea pentru aceasta, ceea ce înseamnă că vom antrena modelul după forma, dimensiunea, culoarea și gustul fiecărui fruct. Odată ce antrenamentul este finalizat, vom testa modelul dând noul set de fructe. Modelul va identifica fructul și va prezice rezultatul utilizând un algoritm adecvat.
Învățare automată nesupravegheată:
Învățarea nesupravegheată este o altă metodă de învățare automată în care tiparele deduse din datele de intrare neetichetate. Scopul învățării nesupravegheate este de a găsi structura și modelele din datele de intrare. Învățarea nesupravegheată nu necesită nicio supraveghere. În schimb, găsește singur modele din date.
Află mai multe Învățare automată nesupravegheată
Învățarea nesupravegheată poate fi utilizată pentru două tipuri de probleme: Clustering și Asociere .
Exemplu: Pentru a înțelege învățarea nesupravegheată, vom folosi exemplul de mai sus. Deci, spre deosebire de învățarea supravegheată, aici nu vom oferi nicio supraveghere modelului. Vom furniza doar setul de date de intrare modelului și vom permite modelului să găsească modelele din date. Cu ajutorul unui algoritm adecvat, modelul se va antrena singur și va împărți fructele în diferite grupuri în funcție de caracteristicile cele mai asemănătoare dintre ele.
Principalele diferențe dintre învățarea supravegheată și nesupravegheată sunt prezentate mai jos:
plsql
| Învățare supravegheată | Învățare nesupravegheată |
|---|---|
| Algoritmii de învățare supravegheați sunt antrenați folosind date etichetate. | Algoritmii de învățare nesupravegheați sunt antrenați folosind date neetichetate. |
| Modelul de învățare supravegheată necesită feedback direct pentru a verifica dacă prezice rezultatul corect sau nu. | Modelul de învățare nesupravegheat nu primește feedback. |
| Modelul de învățare supravegheată prezice rezultatul. | Modelul de învățare nesupravegheat găsește tiparele ascunse în date. |
| În învățarea supravegheată, datele de intrare sunt furnizate modelului împreună cu rezultatul. | În învățarea nesupravegheată, modelului sunt furnizate doar datele de intrare. |
| Scopul învățării supravegheate este de a antrena modelul astfel încât să poată prezice rezultatul atunci când i se oferă date noi. | Scopul învățării nesupravegheate este de a găsi modele ascunse și informații utile din setul de date necunoscut. |
| Învățarea supravegheată are nevoie de supraveghere pentru a antrena modelul. | Învățarea nesupravegheată nu are nevoie de nicio supraveghere pentru a antrena modelul. |
| Învățarea supravegheată poate fi clasificată în Clasificare și Regresia Probleme. | Învățarea nesupravegheată poate fi clasificată în Clustering și Asociațiile Probleme. |
| Învățarea supravegheată poate fi utilizată pentru acele cazuri în care cunoaștem atât intrarea, cât și ieșirile corespunzătoare. | Învățarea nesupravegheată poate fi utilizată pentru acele cazuri în care avem doar date de intrare și nu avem date de ieșire corespunzătoare. |
| Modelul de învățare supravegheat produce un rezultat precis. | Modelul de învățare nesupravegheat poate da rezultate mai puțin precise în comparație cu învățarea supravegheată. |
| Învățarea supravegheată nu este aproape de inteligența artificială adevărată, deoarece în aceasta, antrenăm mai întâi modelul pentru fiecare dată, iar apoi numai acesta poate prezice rezultatul corect. | Învățarea nesupravegheată este mai aproape de adevărata inteligență artificială, deoarece învață la fel cum un copil învață lucruri de rutină zilnică prin experiențele sale. |
| Include diverși algoritmi, cum ar fi regresia liniară, regresia logistică, mașina de suport vector, clasificarea multiclasă, arborele de decizie, logica bayesiană etc. | Include diverși algoritmi, cum ar fi Clustering, KNN și algoritmul Apriori. |