Τι είναι η εποπτευόμενη μηχανική εκμάθηση;
Στην εποπτευόμενη εκμάθηση, εκπαιδεύετε το μηχάνημα χρησιμοποιώντας δεδομένα που είναι καλά "επισημασμένα ". Αυτό σημαίνει ότι ορισμένα δεδομένα έχουν ήδη επισημανθεί με τη σωστή απάντηση. Μπορεί να συγκριθεί με τη μάθηση που πραγματοποιείται παρουσία ενός επόπτη ή ενός δασκάλου.
Ένας εποπτευόμενος αλγόριθμος μάθησης μαθαίνει από τα δεδομένα εκπαίδευσης με ετικέτα, σας βοηθά να προβλέψετε τα αποτελέσματα για απρόβλεπτα δεδομένα. Η επιτυχής κατασκευή, κλιμάκωση και ανάπτυξη ακριβούς εποπτευόμενης μηχανικής μάθησης Το μοντέλο επιστήμης δεδομένων απαιτεί χρόνο και τεχνική εμπειρογνωμοσύνη από μια ομάδα ειδικευμένων επιστημόνων δεδομένων. Επιπλέον, ο επιστήμονας δεδομένων πρέπει να αναδημιουργήσει μοντέλα για να βεβαιωθεί ότι οι πληροφορίες που δίνονται παραμένουν αληθινές μέχρι να αλλάξουν τα δεδομένα του.
Σε αυτό το σεμινάριο, θα μάθετε
- Τι είναι η εποπτευόμενη μηχανική εκμάθηση;
- Τι είναι η μη επιτηρούμενη μάθηση;
- Γιατί η εποπτευόμενη μάθηση;
- Γιατί μη επιτηρούμενη μάθηση;
- Πώς λειτουργεί η Εποπτευόμενη Μάθηση;
- Πώς λειτουργεί η μη επιτηρούμενη μάθηση;
- Τύποι Τεχνικών Εποπτευόμενης Μηχανικής Μάθησης
- Τύποι μη εποπτευόμενων τεχνικών μηχανικής εκμάθησης
- Εποπτευόμενη εναντίον μη εποπτευόμενης μάθησης
Τι είναι η μη επιτηρούμενη μάθηση;
Η μη επιτηρούμενη μάθηση είναι μια τεχνική μηχανικής εκμάθησης, όπου δεν χρειάζεται να επιβλέπετε το μοντέλο. Αντ 'αυτού, πρέπει να επιτρέψετε στο μοντέλο να λειτουργεί από μόνο του για να ανακαλύψει πληροφορίες. Ασχολείται κυρίως με τα μη επισημασμένα δεδομένα.
Οι μη εποπτευόμενοι αλγόριθμοι μάθησης σάς επιτρέπουν να εκτελείτε πιο πολύπλοκες εργασίες επεξεργασίας σε σύγκριση με την εποπτευόμενη μάθηση. Αν και, η μη επιτηρούμενη μάθηση μπορεί να είναι πιο απρόβλεπτη σε σύγκριση με άλλες φυσικές μεθόδους μάθησης βαθιάς μάθησης και ενίσχυσης.
Γιατί η εποπτευόμενη μάθηση;
- Η εποπτευόμενη εκμάθηση σάς επιτρέπει να συλλέγετε δεδομένα ή να παράγετε δεδομένα εξόδου από την προηγούμενη εμπειρία.
- Σας βοηθά να βελτιστοποιήσετε τα κριτήρια απόδοσης χρησιμοποιώντας την εμπειρία
- Η εποπτευόμενη μηχανική μάθηση σάς βοηθά να επιλύσετε διάφορους τύπους προβλημάτων υπολογισμού πραγματικού κόσμου.
Γιατί μη επιτηρούμενη μάθηση;
Εδώ είναι οι βασικοί λόγοι για τη χρήση της μη εποπτευόμενης μάθησης:
- Η μη επιτηρούμενη μηχανική μάθηση βρίσκει κάθε είδους άγνωστα μοτίβα στα δεδομένα.
- Οι μη εποπτευόμενες μέθοδοι σας βοηθούν να βρείτε δυνατότητες που μπορούν να είναι χρήσιμες για την κατηγοριοποίηση.
- Πραγματοποιείται σε πραγματικό χρόνο, έτσι ώστε όλα τα δεδομένα εισαγωγής να αναλύονται και να επισημαίνονται παρουσία εκπαιδευομένων.
- Είναι πιο εύκολο να λαμβάνετε δεδομένα χωρίς ετικέτα από έναν υπολογιστή από ό, τι τα δεδομένα με ετικέτα, τα οποία χρειάζονται χειροκίνητη παρέμβαση.
Πώς λειτουργεί η Εποπτευόμενη Μάθηση;
Για παράδειγμα, θέλετε να εκπαιδεύσετε ένα μηχάνημα για να σας βοηθήσει να προβλέψετε πόσο καιρό θα σας οδηγήσει στο σπίτι από το χώρο εργασίας σας. Εδώ, ξεκινάτε δημιουργώντας ένα σύνολο δεδομένων με ετικέτες. Αυτά τα δεδομένα περιλαμβάνουν
- Καιρικές συνθήκες
- Ωρα της ημέρας
- Διακοπές
Όλες αυτές οι λεπτομέρειες είναι τα στοιχεία σας. Η έξοδος είναι ο χρόνος που χρειάστηκε για να επιστρέψετε στο σπίτι εκείνη τη συγκεκριμένη ημέρα.
Γνωρίζετε ενστικτωδώς ότι αν βρέχει έξω, θα σας πάρει περισσότερο χρόνο για να επιστρέψετε στο σπίτι. Αλλά το μηχάνημα χρειάζεται δεδομένα και στατιστικά στοιχεία.
Ας δούμε τώρα πώς μπορείτε να αναπτύξετε ένα εποπτευόμενο μοντέλο μάθησης αυτού του παραδείγματος που βοηθά τον χρήστη να καθορίσει τον χρόνο μετακίνησης. Το πρώτο πράγμα που πρέπει να δημιουργήσετε είναι ένα σύνολο δεδομένων εκπαίδευσης. Αυτό το σετ προπόνησης θα περιέχει τον συνολικό χρόνο μετακίνησης και τους αντίστοιχους παράγοντες όπως ο καιρός, ο χρόνος κ.λπ. Με βάση αυτό το σετ προπόνησης, το μηχάνημά σας μπορεί να δει ότι υπάρχει άμεση σχέση μεταξύ του ποσού της βροχής και του χρόνου που θα χρειαστείτε για να φτάσετε στο σπίτι.
Έτσι, βεβαιώνεται ότι όσο περισσότερο βρέχει, τόσο περισσότερο θα οδηγείτε για να επιστρέψετε στο σπίτι σας. Μπορεί επίσης να δείτε τη σύνδεση μεταξύ της ώρας που αφήνετε τη δουλειά και της ώρας που θα βρίσκεστε στο δρόμο.
Όσο πιο κοντά βρίσκεστε στις 18:00, τόσο περισσότερο χρόνο χρειάζεται για να φτάσετε στο σπίτι. Το μηχάνημά σας μπορεί να βρει μερικές από τις σχέσεις με τα δεδομένα σας που έχουν επισημανθεί.
Αυτή είναι η αρχή του μοντέλου δεδομένων σας. Αρχίζει να επηρεάζει τον τρόπο με τον οποίο η βροχή επηρεάζει τον τρόπο οδήγησης των ανθρώπων. Αρχίζει επίσης να βλέπει ότι περισσότεροι άνθρωποι ταξιδεύουν σε μια συγκεκριμένη ώρα της ημέρας.
Πώς λειτουργεί η μη επιτηρούμενη μάθηση;
Ας πάρουμε την περίπτωση ενός μωρού και του οικογενειακού σκύλου της.
Ξέρει και ταυτοποιεί αυτόν τον σκύλο. Λίγες εβδομάδες αργότερα, ένας φίλος της οικογένειας φέρνει ένα σκυλί και προσπαθεί να παίξει με το μωρό.
Το μωρό δεν έχει δει αυτό το σκυλί νωρίτερα. Αλλά αναγνωρίζει ότι πολλά χαρακτηριστικά (2 αυτιά, μάτια, περπάτημα με 4 πόδια) είναι σαν το κατοικίδιο σκύλο της. Προσδιορίζει ένα νέο ζώο σαν σκύλο. Πρόκειται για μια μη επιτηρούμενη μάθηση, όπου δεν διδάσκεστε, αλλά μαθαίνετε από τα δεδομένα (σε αυτήν την περίπτωση τα δεδομένα για έναν σκύλο.) Εάν αυτό ήταν επιτηρούμενη μάθηση, ο φίλος της οικογένειας θα είχε πει στο μωρό ότι είναι σκύλος.
Τύποι Τεχνικών Εποπτευόμενης Μηχανικής Μάθησης
Οπισθοδρόμηση:
Η τεχνική παλινδρόμησης προβλέπει μία τιμή εξόδου χρησιμοποιώντας δεδομένα εκπαίδευσης.
Παράδειγμα: Μπορείτε να χρησιμοποιήσετε παλινδρόμηση για να προβλέψετε την τιμή κατοικίας από τα δεδομένα εκπαίδευσης. Οι μεταβλητές εισόδου θα είναι η τοποθεσία, το μέγεθος ενός σπιτιού κ.λπ.
Ταξινόμηση:
Ταξινόμηση σημαίνει ομαδοποίηση της εξόδου μέσα σε μια κλάση. Εάν ο αλγόριθμος προσπαθεί να επισημάνει είσοδο σε δύο διαφορετικές κατηγορίες, ονομάζεται δυαδική ταξινόμηση. Η επιλογή μεταξύ περισσότερων από δύο κατηγοριών αναφέρεται ως ταξινόμηση πολλαπλών κλάσεων.
Παράδειγμα : Προσδιορισμός του κατά πόσον κάποιος θα παραλείψει το δάνειο.
Πλεονεκτήματα : Οι έξοδοι έχουν πάντα μια πιθανή ερμηνεία και ο αλγόριθμος μπορεί να ρυθμιστεί για να αποφευχθεί η υπερβολική εφαρμογή.
Αδυναμίες : Η λογιστική παλινδρόμηση ενδέχεται να έχει χαμηλή απόδοση όταν υπάρχουν πολλαπλά ή μη γραμμικά όρια αποφάσεων. Αυτή η μέθοδος δεν είναι ευέλικτη, επομένως δεν συλλαμβάνει πολύπλοκες σχέσεις.
Τύποι μη εποπτευόμενων τεχνικών μηχανικής εκμάθησης
Τα μη επιτηρούμενα μαθησιακά προβλήματα ομαδοποιήθηκαν περαιτέρω σε προβλήματα ομαδοποίησης και συσχέτισης.
Ομαδοποίηση
Η ομαδοποίηση είναι μια σημαντική ιδέα όταν πρόκειται για μη εποπτευόμενη μάθηση. Ασχολείται κυρίως με την εύρεση δομής ή μοτίβου σε μια συλλογή δεδομένων που δεν έχουν κατηγοριοποιηθεί. Οι αλγόριθμοι συμπλέγματος θα επεξεργαστούν τα δεδομένα σας και θα βρουν φυσικά συμπλέγματα (ομάδες) εάν υπάρχουν στα δεδομένα. Μπορείτε επίσης να τροποποιήσετε πόσα συμπλέγματα πρέπει να προσδιορίσουν οι αλγόριθμοί σας. Σας επιτρέπει να προσαρμόσετε την ευαισθησία αυτών των ομάδων.
Σχέση
Οι κανόνες συσχέτισης σάς επιτρέπουν να δημιουργήσετε συσχετισμούς μεταξύ αντικειμένων δεδομένων μέσα σε μεγάλες βάσεις δεδομένων. Αυτή η τεχνική χωρίς επίβλεψη αφορά την ανακάλυψη συναρπαστικών σχέσεων μεταξύ μεταβλητών σε μεγάλες βάσεις δεδομένων. Για παράδειγμα, οι άνθρωποι που αγοράζουν ένα νέο σπίτι πιθανότατα να αγοράσουν νέα έπιπλα.
Άλλα παραδείγματα:
- Μια υποομάδα καρκινοπαθών ομαδοποιημένων με τις μετρήσεις έκφρασης γονιδίων
- Ομάδες αγοραστών βάσει του ιστορικού περιήγησής τους και αγορών
- Ομάδα ταινιών κατά την βαθμολογία που δίνουν οι θεατές ταινιών
Εποπτευόμενη εναντίον μη εποπτευόμενης μάθησης
| Παράμετροι | Εποπτευόμενη τεχνική μηχανικής μάθησης | Μη επιτηρούμενη τεχνική μηχανικής μάθησης |
| Επεξεργάζομαι, διαδικασία | Σε ένα εποπτευόμενο μοντέλο μάθησης, θα δοθούν μεταβλητές εισόδου και εξόδου. | Στο μη εποπτευόμενο μοντέλο μάθησης, θα δοθούν μόνο δεδομένα εισαγωγής |
| Εισαγωγή δεδομένων | Οι αλγόριθμοι εκπαιδεύονται χρησιμοποιώντας ετικέτες δεδομένων. | Οι αλγόριθμοι χρησιμοποιούνται σε δεδομένα που δεν φέρουν ετικέτα |
| Χρησιμοποιήθηκαν αλγόριθμοι | Υποστήριξη διανυσματικής μηχανής, νευρωνικού δικτύου, γραμμικής και παλινδρόμησης logistics, τυχαίου δάσους και δέντρων ταξινόμησης. | Οι μη εποπτευόμενοι αλγόριθμοι μπορούν να χωριστούν σε διαφορετικές κατηγορίες: όπως Αλγόριθμοι συμπλέγματος, Κ-μέσα, Ιεραρχική ομαδοποίηση κ.λπ. |
| Υπολογιστική πολυπλοκότητα | Η εποπτευόμενη μάθηση είναι μια απλούστερη μέθοδος. | Η μη επιτηρούμενη μάθηση είναι υπολογιστικά περίπλοκη |
| Χρήση δεδομένων | Το μοντέλο εποπτευόμενης μάθησης χρησιμοποιεί δεδομένα εκπαίδευσης για να μάθει μια σύνδεση μεταξύ της εισόδου και των αποτελεσμάτων. | Η μη επιτηρούμενη μάθηση δεν χρησιμοποιεί δεδομένα εξόδου. |
| Ακρίβεια των αποτελεσμάτων | Πολύ ακριβής και αξιόπιστη μέθοδος. | Λιγότερο ακριβής και αξιόπιστη μέθοδος. |
| Εκμάθηση σε πραγματικό χρόνο | Η μέθοδος εκμάθησης πραγματοποιείται εκτός σύνδεσης. | Η μέθοδος εκμάθησης πραγματοποιείται σε πραγματικό χρόνο. |
| Αριθμός τάξεων | Ο αριθμός των μαθημάτων είναι γνωστός. | Ο αριθμός μαθημάτων δεν είναι γνωστός. |
| Κύριο μειονέκτημα | Η ταξινόμηση μεγάλων δεδομένων μπορεί να είναι μια πραγματική πρόκληση στην εποπτευόμενη μάθηση. | Δεν μπορείτε να λάβετε ακριβείς πληροφορίες σχετικά με την ταξινόμηση δεδομένων και η έξοδος καθώς τα δεδομένα που χρησιμοποιούνται στη μη εποπτευόμενη μάθηση επισημαίνονται και δεν είναι γνωστά. |
Περίληψη
- Στην εποπτευόμενη εκμάθηση, εκπαιδεύετε το μηχάνημα χρησιμοποιώντας δεδομένα που είναι καλά "επισημασμένα".
- Η μη επιτηρούμενη μάθηση είναι μια τεχνική μηχανικής εκμάθησης, όπου δεν χρειάζεται να επιβλέπετε το μοντέλο.
- Η εποπτευόμενη εκμάθηση σάς επιτρέπει να συλλέγετε δεδομένα ή να παράγετε δεδομένα εξόδου από την προηγούμενη εμπειρία.
- Η μη εποπτευόμενη μηχανική εκμάθηση σάς βοηθά να βρίσκετε κάθε είδους άγνωστα μοτίβα στα δεδομένα.
- Για παράδειγμα, θα μπορείτε να καθορίσετε τον χρόνο που απαιτείται για να φτάσετε πίσω ως βάση καιρικές συνθήκες, Ώρες της ημέρας και αργίες.
- Για παράδειγμα, το μωρό μπορεί να αναγνωρίσει άλλα σκυλιά με βάση την προηγούμενη εποπτευόμενη μάθηση.
- Η παλινδρόμηση και η ταξινόμηση είναι δύο τύποι εποπτευόμενων τεχνικών μηχανικής μάθησης.
- Η ομαδοποίηση και η σύνδεση είναι δύο τύποι μη εποπτευόμενης μάθησης.
- Σε ένα μοντέλο εποπτευόμενης μάθησης, οι μεταβλητές εισόδου και εξόδου θα δοθούν ενώ με το μοντέλο μη εποπτευόμενης μάθησης, θα δοθούν μόνο δεδομένα εισόδου