Rozdíl mezi učením pod dohledem a bez dozoru
Obsah
Dohled pod dohledem a učení bez dozoru jsou paradigmata strojového učení, která se používají při řešení třídy úkolů pomocí učení se ze zkušenosti a míry výkonu. Dozorované a nedohledané učení se liší hlavně tím, že supervidované učení zahrnuje mapování od vstupu k základnímu výstupu. Naopak, neohrožené učení nemá za cíl produkovat výstup v reakci na konkrétní vstup, místo toho objevuje vzorce v datech.
Tyto kontrolované a nepodřízené učební techniky jsou implementovány v různých aplikacích, jako jsou umělé neuronové sítě, což jsou systémy zpracování dat obsahující velké množství do značné míry vzájemně propojených procesních prvků.
-
- Srovnávací tabulka
- Definice
- Klíčové rozdíly
- Závěr
Srovnávací tabulka
| Základ pro srovnání | Dozorované učení | Bez dozoru |
|---|---|---|
| Základní | Se zabývá označenými daty. | Zpracovává neoznačená data. |
| Výpočetní složitost | Vysoký | Nízký |
| Analýza | Offline | Reálný čas |
| Přesnost | Vytváří přesné výsledky | Vytváří mírné výsledky |
| Subdomény | Klasifikace a regrese | Klastrování a asociace pravidlo těžby |
Definice supervidovaného učení
Dozorované učení Způsob zahrnuje výcvik systému nebo stroje, kde je výcvik nastaven spolu s cílovým vzorem (výstupní vzorec) poskytnutému systému pro provedení úkolu. Obvykle dohlíží na prostředky k pozorování a vedení provádění úkolů, projektu a činnosti. Ale kde lze realizovat řízené učení? Primárně je implementována do strojového učení regresní a klastrové a neuronové sítě.
Jak nyní trénujeme model? Model je veden pomocí načtení modelu znalostmi, aby se usnadnila predikce budoucích případů. Pro školení používá označené datové sady. Umělé neuronové sítě, vstupní vzor, trénují síť, která je také spojena s výstupním vzorem.
Definice učení bez dozoru
Bez dozoru model nezahrnuje cílový výstup, což znamená, že systému není poskytován žádný výcvik. Systém se musí učit sám o sobě prostřednictvím určování a přizpůsobování podle strukturálních charakteristik ve vstupních vzorcích. Využívá algoritmy strojového učení, které vyvozují závěry o neznačených datech.
Neupozorované učení pracuje ve složitějších algoritmech ve srovnání s učením pod dohledem, protože o datech máme jen vzácné nebo žádné informace. Vytváří méně zvládnutelné prostředí, protože stroj nebo systém má pro nás generovat výsledky. Hlavním cílem učení bez dozoru je hledat entity, jako jsou skupiny, klastry, zmenšení rozměrů a provádět odhad hustoty.
- Technika supervidovaného učení se zabývá označenými daty, kde jsou výstupní datové vzory systému známé. Na rozdíl od toho, učení bez dozoru pracuje s neznačenými daty, ve kterých je výstup založen pouze na sběru vnímání.
- Pokud jde o složitost, je metoda učení pod dohledem méně složitá, zatímco metoda učení bez dozoru je složitější.
- Kontrolované učení může také provádět offline analýzu, zatímco učení bez dozoru využívá analýzu v reálném čase.
- Výsledek techniky učení pod dohledem je přesnější a spolehlivější. Naproti tomu učení bez dozoru přináší průměrné, ale spolehlivé výsledky.
- Klasifikace a regrese jsou typy problémů řešených metodou učení pod dohledem. Naopak učení bez dozoru zahrnuje shlukování a problémy s asociativní těžbou pravidel.
Závěr
Dozorované učení je technika plnění úkolů poskytováním systémů školení, vstupů a výstupů do systémů, zatímco učení bez dozoru je samoučící se technika, ve které systém musí objevit vlastnosti vstupní populace podle své vlastní a žádné předchozí sady kategorií. Jsou používány.
