Обучение с учителем и без учителя

Опубликовано: 14 Июля, 2021

Контролируемое обучение

При обучении с учителем, как следует из названия, присутствует супервизор в качестве учителя. В основном контролируемое обучение - это когда мы обучаем или обучаем машину, используя данные, которые хорошо помечены. Это означает, что некоторые данные уже помечены правильным ответом. После этого машине предоставляется новый набор примеров (данных), так что контролируемый алгоритм обучения анализирует обучающие данные (набор обучающих примеров) и дает правильный результат на основе помеченных данных.

Например , предположим, что вам дали корзину, наполненную разными фруктами. Теперь первый шаг - обучить машину одному за другим со всеми разными фруктами, вот так:

  • Если форма объекта округлая и имеет углубление наверху, красного цвета, то он будет обозначен как - Apple .
  • Если объект представляет собой длинный изогнутый цилиндр зелено-желтого цвета, то он будет обозначен как - Банан .

Теперь предположим, что после тренировки данных вы дали новый отдельный фрукт, скажем, банан из корзины, и попросили его идентифицировать.

Поскольку машина уже изучила вещи из предыдущих данных, и на этот раз нужно использовать ее с умом. Сначала он классифицирует фрукт по его форме и цвету, а также подтвердит название фрукта как БАНАН и поместит его в категорию бананов. Таким образом, машина узнает вещи на основе данных обучения (корзина с фруктами), а затем применяет полученные знания к данным тестирования (новые фрукты).

Обучение с учителем подразделяется на две категории алгоритмов:

  • Классификация : проблема классификации возникает, когда выходной переменной является категория, например «красный» или «синий» или «болезнь» и «отсутствие болезни».
  • Регрессия : проблема регрессии возникает, когда выходной переменной является реальное значение, такое как «доллары» или «вес».

Контролируемое обучение имеет дело с «маркированными» данными или учится с ними. Это означает, что некоторые данные уже помечены правильным ответом.

Типы: -

  • Регресс
  • Логистическая регрессия
  • Классификация
  • Наивные байесовские классификаторы
  • K-NN (k ближайших соседей)
  • Деревья решений
  • Машина опорных векторов

Преимущества:-

  • Контролируемое обучение позволяет собирать данные и выводить данные из предыдущего опыта.
  • Помогает оптимизировать критерии производительности с помощью опыта.
  • Машинное обучение с учителем помогает решать различные типы реальных вычислительных задач.

Недостатки: -

  • Классификация больших данных может быть сложной задачей.
  • Обучение контролируемому обучению требует много вычислительного времени. Так что на это нужно много времени.

Неконтролируемое обучение

Обучение без учителя - это обучение машины с использованием информации, которая не классифицируется и не маркируется, и позволяет алгоритму действовать на основе этой информации без руководства. Здесь задача машины состоит в том, чтобы сгруппировать несортированную информацию по сходствам, шаблонам и различиям без какого-либо предварительного обучения данных.

В отличие от обучения с учителем, здесь нет учителя, что означает, что машина не будет обучаться. Таким образом, машина может самостоятельно находить скрытую структуру в немаркированных данных.
Например , предположим, что ему дано изображение с собаками и кошками, которого он никогда не видел.

Таким образом, машина не имеет представления об особенностях собак и кошек, поэтому мы не можем отнести ее к категории «собаки и кошки». Но он может классифицировать их в соответствии с их сходством, закономерностями и различиями, то есть мы можем легко разделить приведенную выше картину на две части. Первая часть может содержать все фотографии с собаками, а вторая часть может содержать все фотографии с кошками . Здесь вы ничего не узнали раньше, а это значит, что никаких обучающих данных или примеров.

Это позволяет модели работать самостоятельно, обнаруживая закономерности и информацию, которые ранее не были обнаружены. В основном он имеет дело с немаркированными данными.

Обучение без учителя подразделяется на две категории алгоритмов:

  • Кластеризация : проблема кластеризации заключается в том, что вы хотите обнаружить присущие им группировки данных, такие как группировка клиентов по покупательскому поведению.
  • Ассоциация : проблема изучения правил ассоциации - это когда вы хотите найти правила, которые описывают большие части ваших данных, например, люди, которые покупают X, также склонны покупать Y.

Типы обучения без учителя: -

Кластеризация

  1. Эксклюзивный (разбиение)
  2. Агломеративный
  3. Перекрытие
  4. Вероятностный

Типы кластеризации: -

  1. Иерархическая кластеризация
  2. К-средство кластеризации
  3. Анализ главных компонентов
  4. Разложение по сингулярным значениям
  5. Независимый анализ компонентов

Машинное обучение с учителем и без учителя

Параметры Машинное обучение с учителем Машинное обучение без учителя
Входные данные Алгоритмы обучаются с использованием помеченных данных. Алгоритмы используются против данных, которые не помечены
Вычислительная сложность Более простой метод Вычислительно сложный
Точность Очень точный Менее точный

Эта статья предоставлена Шубхамом Бансалом. Если вам нравится GeeksforGeeks, и вы хотели бы внести свой вклад, вы также можете написать статью с помощью provide.geeksforgeeks.org или отправить свою статью по адресу @ geeksforgeeksorg. Посмотрите, как ваша статья появляется на главной странице GeeksforGeeks, и помогите другим гикам.