Denetimli ve Denetimsiz Öğrenim: Temel Farklılıklar

Denetimli Makine Öğrenimi nedir?

Denetimli öğrenmede, makineyi iyi "etiketlenmiş" verileri kullanarak eğitirsiniz . Bu, bazı verilerin zaten doğru yanıtla etiketlendiği anlamına gelir. Bir gözetmen veya öğretmenin varlığında gerçekleşen öğrenmeyle karşılaştırılabilir.

Denetimli bir öğrenme algoritması, etiketli eğitim verilerinden öğrenir, öngörülemeyen veriler için sonuçları tahmin etmenize yardımcı olur. Doğru denetimli makine öğrenimini başarıyla oluşturmak, ölçeklendirmek ve dağıtmak Veri bilimi modeli, son derece yetenekli veri bilimcilerinden oluşan bir ekipten zaman ve teknik uzmanlık gerektirir. Dahası, Veri bilimcisi, verilen içgörülerin verileri değişene kadar doğru kalmasını sağlamak için modelleri yeniden oluşturmalıdır.

Bu eğitimde öğreneceksiniz

Denetimli Makine Öğrenimi nedir?
Denetimsiz Öğrenme nedir?
Neden Denetimli Öğrenim?
Neden Denetimsiz Öğrenim?
Denetimli Öğrenim nasıl çalışır?
Denetimsiz Öğrenim nasıl çalışır?
Denetlenen Makine Öğrenimi Teknikleri Türleri
Denetimsiz Makine Öğrenimi Teknikleri Türleri
Denetimli ve Denetimsiz Öğrenim

Denetimsiz Öğrenme nedir?

Denetimsiz öğrenme, modeli denetlemenize gerek olmayan bir makine öğrenimi tekniğidir. Bunun yerine, bilgiyi keşfetmek için modelin kendi başına çalışmasına izin vermeniz gerekir. Esas olarak etiketsiz verilerle ilgilenir.

Denetimsiz öğrenme algoritmaları, denetimli öğrenmeye kıyasla daha karmaşık işlem görevleri gerçekleştirmenize olanak tanır. Bununla birlikte, denetimsiz öğrenme, diğer doğal öğrenme derin öğrenme ve pekiştirmeli öğrenme yöntemlerine kıyasla daha öngörülemez olabilir.

Neden Denetimli Öğrenim?

Denetimli öğrenme, önceki deneyimden veri toplamanıza veya bir veri çıktısı oluşturmanıza olanak tanır.
Deneyimi kullanarak performans kriterlerini optimize etmenize yardımcı olur
Denetimli makine öğrenimi, çeşitli gerçek dünya hesaplama problemlerini çözmenize yardımcı olur.

Neden Denetimsiz Öğrenim?

İşte, Denetimsiz Öğrenmeyi kullanmanın başlıca nedenleri:

Denetimsiz makine öğrenimi, verilerdeki her tür bilinmeyen kalıbı bulur.
Denetimsiz yöntemler, sınıflandırma için yararlı olabilecek özellikleri bulmanıza yardımcı olur.
Gerçek zamanlı olarak gerçekleşir, bu nedenle tüm girdi verileri analiz edilecek ve öğrencilerin varlığında etiketlenecektir.
Bir bilgisayardan etiketlenmemiş verileri almak, manuel müdahale gerektiren etiketli verilere göre daha kolaydır.

Denetimli Öğrenim nasıl çalışır?

Örneğin, iş yerinizden eve gitmenizin ne kadar süreceğini tahmin etmenize yardımcı olacak bir makine eğitmek istiyorsunuz. Burada, bir dizi etiketli veri oluşturarak başlarsınız. Bu veriler şunları içerir:

Hava koşulları
Günün saati
Bayram

Tüm bu detaylar sizin girdilerinizdir. Çıktı, belirli bir günde eve dönmek için geçen süredir.

İçgüdüsel olarak, dışarıda yağmur yağarsa eve gitmenizin daha uzun süreceğini bilirsiniz. Ancak makinenin verilere ve istatistiklere ihtiyacı var.

Şimdi, kullanıcının işe gidip gelme zamanını belirlemesine yardımcı olan bu örneğin denetimli bir öğrenme modelini nasıl geliştirebileceğinizi görelim. Oluşturmanız gereken ilk şey bir eğitim veri kümesidir. Bu eğitim seti, toplam işe gidip gelme süresini ve hava durumu, süre vb. Gibi ilgili faktörleri içerecektir. Bu eğitim setine göre, makineniz yağmur miktarı ile eve gitmek için harcayacağınız süre arasında doğrudan bir ilişki olduğunu görebilir.

Yani, ne kadar çok yağmur yağarsa, evinize dönmek için o kadar uzun süre araba kullanacağınızı belirler. Ayrıca, işten ayrıldığınız zaman ile yolda olacağınız zaman arasındaki bağlantıyı da görebilir.

Akşam 6'ya ne kadar yakın olursanız, eve gitmeniz o kadar uzun sürer. Makineniz, etiketlenmiş verilerinizle bazı ilişkileri bulabilir.

Bu, Veri Modelinizin başlangıcıdır. Yağmurun insanların sürüş şeklini nasıl etkilediğini etkilemeye başlar. Ayrıca günün belirli bir saatinde daha fazla insanın seyahat ettiğini görmeye başlar.

Denetimsiz Öğrenim nasıl çalışır?

Hadi bir bebek ve ailesinin köpeğini ele alalım.

Bu köpeği tanıyor ve tanımlıyor. Birkaç hafta sonra bir aile arkadaşı bir köpek getirir ve bebekle oynamaya çalışır.

Bebek bu köpeği daha önce görmedi. Ancak birçok özelliğin (2 kulak, göz, 4 ayak üzerinde yürüme) evcil köpeği gibi olduğunu bilir. Köpek gibi yeni bir hayvanı tanımlar. Bu, size öğretilmeyen ancak verilerden öğrendiğiniz denetimsiz öğrenmedir (bu durumda bir köpekle ilgili veriler.) Bu denetimli öğrenme olsaydı, aile arkadaşı bebeğe bunun bir köpek olduğunu söylerdi.

Denetlenen Makine Öğrenimi Teknikleri Türleri

Regresyon:

Regresyon tekniği, eğitim verilerini kullanarak tek bir çıktı değerini tahmin eder.

Örnek: Eğitim verilerinden ev fiyatını tahmin etmek için regresyonu kullanabilirsiniz. Girdi değişkenleri yerellik, evin büyüklüğü vb. Olacaktır.

Sınıflandırma:

Sınıflandırma, çıktıyı bir sınıf içinde gruplamak anlamına gelir. Algoritma, girdiyi iki farklı sınıfa etiketlemeye çalışırsa, buna ikili sınıflandırma denir. İkiden fazla sınıf arasında seçim yapmak, çok sınıflı sınıflandırma olarak adlandırılır.

Örnek : Birisinin kredinin temerrüde düşmüş olup olmayacağının belirlenmesi.

Güçlü Yönler : Çıktıların her zaman olasılıklı bir yorumu vardır ve algoritma aşırı uydurmayı önlemek için düzenlenebilir.

Zayıf Yönler : Çoklu veya doğrusal olmayan karar sınırları olduğunda lojistik regresyon düşük performans gösterebilir. Bu yöntem esnek değildir, bu nedenle daha karmaşık ilişkileri yakalamaz.

Denetimsiz Makine Öğrenimi Teknikleri Türleri

Denetimsiz öğrenme problemleri ayrıca kümeleme ve ilişkilendirme problemleri olarak gruplandırılır.

Kümeleme

Denetimsiz öğrenme söz konusu olduğunda kümeleme önemli bir kavramdır. Esas olarak, kategorize edilmemiş verilerden oluşan bir koleksiyonda bir yapı veya model bulmakla ilgilenir. Kümeleme algoritmaları, verilerinizi işler ve verilerde mevcutsa doğal kümeleri (grupları) bulur. Ayrıca, algoritmalarınızın kaç küme tanımlaması gerektiğini de değiştirebilirsiniz. Bu grupların ayrıntı düzeyini ayarlamanıza olanak tanır.

bağlantı

İlişkilendirme kuralları, büyük veritabanları içindeki veri nesneleri arasında ilişkiler kurmanıza izin verir. Bu denetimsiz teknik, büyük veritabanlarındaki değişkenler arasındaki heyecan verici ilişkileri keşfetmekle ilgilidir. Örneğin, yeni mobilya satın alma olasılığı en yüksek olan insanlar yeni bir ev satın alır.

Diğer Örnekler:

Gen ekspresyon ölçümlerine göre gruplandırılmış kanser hastalarının bir alt grubu
Göz atma ve satın alma geçmişlerine göre müşteri grupları
Film izleyicilerinin verdiği puana göre film grubu