Wat is het verschil tussen leren onder toezicht en leren zonder toezicht?

Wat is op het gebied van kunstmatige intelligentie en machine learning het verschil tussen begeleid en niet-gesuperviseerd leren?
Kun je een eenvoudige, eenvoudige uitleg geven met een voorbeeld?

Antwoord 1, autoriteit 100%

Aangezien je deze zeer basale vraag stelt, lijkt het de moeite waard om te specificeren wat Machine Learning zelf is.

Machine Learning is een klasse van algoritmen die gegevensgestuurd is, d.w.z. in tegenstelling tot ‘normale’ algoritmen zijn het de gegevens die ‘vertellen’ wat het ‘goede antwoord’ is. Voorbeeld: een hypothetisch niet-machinaal lerend algoritme voor gezichtsdetectie in afbeeldingen zou proberen te definiëren wat een gezicht is (ronde, huidachtige schijf, met donker gebied waar je de ogen verwacht, enz.). Een machine learning-algoritme zou zo’n gecodeerde definitie niet hebben, maar zou “leren door voorbeelden”: je toont verschillende afbeeldingen van gezichten en niet-gezichten en een goed algoritme zal uiteindelijk leren en kunnen voorspellen of een ongeziene afbeelding is een gezicht.

Dit specifieke voorbeeld van gezichtsdetectie staat onder toezicht, wat betekent dat uw voorbeelden moeten worden gelabeld, of expliciet aangeven welke gezichten zijn en welke niet.

In een onbewaaktalgoritme zijn uw voorbeelden niet gelabeld, d.w.z. u zegt niets. In zo’n geval kan het algoritme natuurlijk niet zelf “uitvinden” wat een gezicht is, maar het kan proberen om cluster te de gegevens in verschillende groepen, bijv het kan onderscheiden dat gezichten heel anders zijn dan landschappen, die heel anders zijn dan paarden.

Omdat een ander antwoord het vermeldt (hoewel op een onjuiste manier): er zijn “tussenliggende” vormen van supervisie, d.w.z. semi-supervisieen actief leren. Technisch gezien zijn dit gecontroleerde methoden waarbij er een “slimme” manier is om een ​​groot aantal gelabelde voorbeelden te vermijden. Bij actief leren bepaalt het algoritme zelf welk ding je moet labelen (het kan bijvoorbeeld vrij zeker zijn over een landschap en een paard, maar het kan je vragen om te bevestigen of een gorilla inderdaad de afbeelding van een gezicht is). Bij semi-gesuperviseerd leren zijn er twee verschillende algoritmen die beginnen met de gelabelde voorbeelden en die elkaar vervolgens ‘vertellen’ hoe ze denken over een groot aantal niet-gelabelde gegevens. Van deze “discussie” leren ze.

Antwoord 2, autoriteit 12%

Gesuperviseerd lerenis wanneer de gegevens waarmee u uw algoritme voedt, worden ‘gelabeld’ of ‘gelabeld’ om uw logica te helpen bij het nemen van beslissingen.

Voorbeeld: Bayes spamfiltering, waarbij u een item als spam moet markeren om de resultaten te verfijnen.

Onbewaakt lerenzijn typen algoritmen die proberen correlaties te vinden zonder enige externe input, behalve de onbewerkte gegevens.

Voorbeeld: clusteringalgoritmen voor datamining.

Antwoord 3, autoriteit 7%

Begeleid leren

Toepassingen waarbij de trainingsgegevens voorbeelden bevatten van de invoervectoren samen met de bijbehorende doelvectoren, staan ​​bekend als leerproblemen onder toezicht.

Onbewaakt leren

Bij andere patroonherkenningsproblemen bestaan ​​de trainingsgegevens uit een set invoervectoren x zonder bijbehorende doelwaarden. Het doel bij dergelijke leerproblemen zonder toezicht kan zijn om groepen van vergelijkbare voorbeelden binnen de gegevens te ontdekken, waar dit clustering wordt genoemd

Patroonherkenning en machinaal leren (Bishop, 2006)

Antwoord 4, autoriteit 4%

Bij gesuperviseerd leren wordt de invoer xgeleverd met het verwachte resultaat y(dwz de uitvoer die het model zou moeten produceren wanneer de invoer x), die vaak de “klasse” (of “label”) van de corresponderende invoer xwordt genoemd.

Bij leren zonder toezicht wordt de “klasse” van een voorbeeld xniet gegeven. Dus, niet-gesuperviseerd leren kan worden gezien als het vinden van een “verborgen structuur” in een niet-gelabelde dataset.

Benaderingen voor begeleid leren zijn onder meer:

• Classificatie (1R, Naive Bayes, algoritme voor het leren van beslissingsbomen, zoals
  als ID3 CART, enzovoort)

• Numerieke waardevoorspelling

Benaderingen voor leren zonder supervisie zijn onder meer:

• Clustering (K-betekent, hiërarchische clustering)

• Associatieregel leren

Antwoord 5, autoriteit 3%

Ik kan je een voorbeeld geven.

Stel dat u moet herkennen welk voertuig een auto is en welk een motorfiets.

In de bewaakteleercase moet uw invoer (training) dataset worden gelabeld, dat wil zeggen dat u voor elk invoerelement in uw invoer (training) dataset moet specificeren of het een auto vertegenwoordigt of een motorfiets.

In het onbewaakteleergeval, label je de invoer niet. Het niet-gesuperviseerde model clustert de input in clusters op basis van b.v. op vergelijkbare kenmerken/eigenschappen. In dit geval zijn er dus geen labels zoals “auto”.

Antwoord 6, autoriteit 3%

Bijvoorbeeld, het trainen van een neuraal netwerk is heel vaak leren onder toezicht: je vertelt het netwerk met welke klasse overeenkomt met de kenmerkvector die je voedt.

Clustering is leren zonder toezicht: u laat het algoritme beslissen hoe voorbeelden worden gegroepeerd in klassen die gemeenschappelijke eigenschappen delen.

Een ander voorbeeld van leren zonder toezicht zijn Kohonen’s zelforganiserende kaarten.

Antwoord 7

Ik heb het onderscheid tussen leren zonder toezicht en leren onder toezicht altijd willekeurig en een beetje verwarrend gevonden. Er is geen echt onderscheid tussen beide gevallen, maar er is een scala aan situaties waarin een algoritme min of meer ‘toezicht’ kan hebben. Het bestaan ​​van semi-gesuperviseerd leren is een duidelijk voorbeeld waar de grens vervaagt.

Ik heb de neiging om supervisie te zien als feedback geven aan het algoritme over welke oplossingen de voorkeur verdienen. Voor een traditionele gecontroleerde instelling, zoals spamdetectie, vertel je het algoritme “maak geen fouten op de trainingsset”; voor een traditionele niet-gecontroleerde omgeving, zoals clustering, vertel je het algoritme “punten die dicht bij elkaar liggen, in hetzelfde cluster moeten zitten”. Toevallig is de eerste vorm van feedback een stuk specifieker dan de laatste.

Kortom, als iemand ‘onder toezicht’ zegt, denk dan aan classificatie, als ze ‘zonder toezicht’ zeggen, denk aan clustering en probeer je er verder niet al te veel zorgen over te maken.

8

Onder toezicht van het leren:
Zeg dat een kind naar Kinder-Garden gaat. Hier toont de leraar hem 3 speelgoed-huis, bal en auto. Nu geeft leraar hem 10 speelgoed.
hij zal ze classificeren in 3 dozen met huis, bal en auto op basis van zijn eerdere ervaring.
dus kid werd voor het eerst begeleid door leraren om de juiste antwoorden te krijgen voor een paar sets. toen werd hij getest op onbekend speelgoed.

Onbewaakt leren:
weer voorbeeld kleuterschool. Een kind krijgt 10 speelgoedjes. hem wordt verteld soortgelijke segmenten te segmenteren.
dus op basis van kenmerken zoals vorm, grootte, kleur, functie enz. zal hij proberen om 3 groepen A, B, C te laten zeggen en ze te groeperen.

Het woord Toezicht houdt in dat u toezicht/instructie geeft aan de machine om deze te helpen antwoorden te vinden. Zodra het instructies heeft geleerd, kan het gemakkelijk nieuwe gevallen voorspellen.

Onbewaakt betekent dat er geen toezicht of instructie is om antwoorden/labels te vinden en dat de machine zijn intelligentie zal gebruiken om een ​​patroon in onze gegevens te vinden. Hier zal het geen voorspelling doen, het zal gewoon proberen clusters te vinden met vergelijkbare gegevens.

Antwoord 9

Onder supervisie leren, gegeven de gegevens met een antwoord.

Gegeven e-mail die is gelabeld als spam/geen spam, leer een spamfilter.

Gegeven een dataset van patiënten met de diagnose diabetes of niet, moet u leren nieuwe patiënten te classificeren als diabetespatiënten of niet.

Onbewaakt leren, gegeven de gegevens zonder antwoord, laat de pc dingen groeperen.

Gegeven een reeks nieuwsartikelen die op internet zijn gevonden, groepeert u deze in een reeks artikelen over hetzelfde verhaal.

Gegeven een database met aangepaste gegevens, ontdek automatisch marktsegmenten en groepeer klanten in verschillende marktsegmenten.

Referentie

Antwoord 10

Begeleid leren

Hierin is elk invoerpatroon dat wordt gebruikt om het netwerk te trainen
geassocieerd met een uitvoerpatroon, wat het doel of het gewenste is
patroon. Er wordt verondersteld dat er een leraar aanwezig is tijdens het leren
proces, wanneer een vergelijking wordt gemaakt tussen de berekende
output en de juiste verwachte output, om de fout te bepalen. De
fout kan vervolgens worden gebruikt om netwerkparameters te wijzigen, wat resulteert in:
een verbetering van de prestaties.

Onbewaakt leren

In deze leermethode wordt de beoogde output niet gepresenteerd aan de
netwerk. Het is alsof er geen leraar is om het gewenste te presenteren
patroon en dus leert het systeem zichzelf door te ontdekken en
aanpassen aan structurele kenmerken in de invoerpatronen.

Antwoord 11

Ik zal proberen het simpel te houden.

Begeleid leren:bij deze leertechniek krijgen we een dataset en kent het systeem al de juiste output van de dataset. Dus hier leert ons systeem door een eigen waarde te voorspellen. Vervolgens voert het een nauwkeurigheidscontrole uit door een kostenfunctie te gebruiken om te controleren hoe dicht de voorspelling bij de werkelijke uitvoer lag.

Ongecontroleerd leren:bij deze benadering hebben we weinig of geen kennis van wat ons resultaat zou zijn. Dus in plaats daarvan leiden we structuur af van de gegevens waarvan we het effect van variabele niet kennen.
We maken structuur door de gegevens te clusteren op basis van de relatie tussen de variabele in gegevens.
Hier hebben we geen feedback op basis van onze voorspelling.

Antwoord 12

Begeleid leren

Je hebt invoer x en een doeluitvoer t. Dus je traint het algoritme om te generaliseren naar de ontbrekende delen. Er wordt toezicht gehouden omdat het doel is gegeven. Jij bent de supervisor die het algoritme vertelt: Voor het voorbeeld x moet je t uitvoeren!

Onbewaakt leren

Hoewel segmentatie, clustering en compressie meestal in deze richting worden geteld, vind ik het moeilijk om er een goede definitie voor te bedenken.

Laten we auto-encoders voor compressienemen als voorbeeld. Hoewel je alleen de invoer x hebt gegeven, is het de menselijke ingenieur die het algoritme vertelt dat het doel ook x is. Dus in zekere zin is dit niet anders dan leren onder toezicht.

En voor clustering en segmentatie weet ik niet zo zeker of het echt past binnen de definitie van machine learning (zie andere vraag ).

Antwoord 13

Supervised Learning: je hebt data gelabeld en moet daarvan leren. bijv. huisgegevens samen met prijs en leer dan de prijs te voorspellen

Onbewaakt leren: je moet de trend vinden en vervolgens voorspellen, geen eerdere labels gegeven.
bijv. verschillende mensen in de klas en dan komt er een nieuwe persoon, dus tot welke groep behoort deze nieuwe leerling.

Antwoord 14

In Supervised Learningweten we wat de input en output moet zijn. Bijvoorbeeld een set auto’s. We moeten uitzoeken welke rood en welke blauw.

Terwijl Onbewaakt lerenis waar we het antwoord moeten vinden met heel weinig of zonder enig idee over hoe de output zou moeten zijn. Een leerling kan bijvoorbeeld een model bouwen dat detecteert wanneer mensen glimlachen op basis van correlatie van gezichtspatronen en woorden als “waar lach je om?”.

Antwoord 15

Onder toezicht leren kan een nieuw item labelen in een van de getrainde labels op basis van leren tijdens de training. U moet grote aantallen trainingsdatasets, validatiedatasets en testdatasets verstrekken. Als u bijvoorbeeld pixelafbeeldingsvectoren van cijfers samen met trainingsgegevens van labels voorziet, kan het de nummers identificeren.

Onbewaakt leren vereist geen trainingsdatasets. Bij leren zonder toezicht kan het items in verschillende clusters groeperen op basis van het verschil in de invoervectoren. Als u pixelafbeeldingsvectoren van cijfers levert en het vraagt ​​om het in 10 categorieën in te delen, kan het dat doen. Maar het weet wel hoe het het moet labelen, omdat je geen trainingslabels hebt gegeven.

Antwoord 16

Supervised Learning is in feite waar u invoervariabelen (x) en uitvoervariabele (y) hebt en een algoritme gebruikt om de mappingfunctie van invoer naar uitvoer te leren. De reden waarom we dit supervisie noemden, is omdat het algoritme leert van de trainingsdataset, het algoritme doet iteratief voorspellingen op de trainingsdata.
Gesuperviseerd hebben twee soorten-classificatie en regressie.
Classificatie is wanneer de uitvoervariabele categorie is zoals ja/nee, waar/onwaar.
Regressie is wanneer de output echte waarden zijn zoals lengte van persoon, temperatuur enz.

VN-gesuperviseerd leren is waar we alleen invoergegevens (X) hebben en geen uitvoervariabelen.
Dit wordt niet-gesuperviseerd leren genoemd, omdat er, in tegenstelling tot leren onder toezicht, geen juiste antwoorden zijn en er geen leraar is. Algoritmen worden aan hun eigen bedenkers overgelaten om de interessante structuur in de gegevens te ontdekken en te presenteren.

Typen van niet-gesuperviseerd leren zijn clustering en associatie.

Antwoord 17

Supervised Learning is in feite een techniek waarbij de trainingsgegevens waarvan de machine leert al zijn gelabeld, bijvoorbeeld een eenvoudige even oneven nummerclassificatie waarbij u de gegevens al tijdens de training hebt geclassificeerd. Daarom gebruikt het “LABELLED”-gegevens.

Onbewaakt leren daarentegen is een techniek waarbij de machine zelf de gegevens labelt. Of je kunt zeggen dat dit het geval is wanneer de machine uit zichzelf leert.

18

Onder toezicht van het leren

Onder toezicht van het leren is waar we de output van de onbewerkte invoer kennen, dwz de gegevens zijn geëtiketteerd, zodat tijdens de training van het leermodel van de machine begrijpt wat het zal begrijpen wat nodig is om in de uitvoer te detecteren, en het zal het systeem leiden tijdens De training om op die basis de voorgelegde objecten te detecteren, detecteert deze de vergelijkbare objecten die we hebben opgegeven in opleiding.

Hier zullen de algoritmen weten wat de structuur en het patroon van gegevens is. Onder toezicht van het leren wordt gebruikt voor classificatie

Als een voorbeeld kunnen we een andere objecten hebben waarvan de vormen vierkant, cirkel, driele onze taak is om dezelfde soorten vormen te regelen
De gelabelde dataset heeft alle vormen met het label en we trainen het leermodel van de machine op die dataset, op de op basis van trainingsdateset zal het beginnen met het detecteren van de vormen.

Niet-gecontroleerd leren

Ongewijzigd leren is een niet-guilded leren waarbij het eindresultaat niet bekend is, het zal de dataset clusteren en op basis van vergelijkbare eigenschappen van het object het de objecten op verschillende trossen verdelen en de objecten detecteren.

Hier kunnen algoritmen zoeken naar het verschillende patroon in de onbewerkte gegevens, en op basis daarvan zal deze de gegevens clusteren. Niet-gecontroleerd leren wordt gebruikt voor clustering.

Als een voorbeeld kunnen we verschillende objecten van meerdere vormenplein, cirkel, driehoek hebben, dus het zal de trossen maken op basis van de objecteigenschappen, als een object vier zijden heeft, zal het op het plein beschouwen en als het vierkant is Kanten driehoek en als er geen zijkanten dan cirkel, hier is de gegevens niet geëtiketteerd, het zal zichzelf leren om de verschillende vormen

te detecteren

19

Machine-leren is een veld waar u probeert de machine te maken om het menselijk gedrag na te bootsen.

You Train Machine Net als een baby. De manier waarop mensen leren, identificeren, identificeren, patronen herkennen en zelf trainen, dezelfde manier waarop je machine traint door gegevens te voeden met verschillende functies. Machine-algoritme identificeert het patroon binnen de gegevens en classificeer deze in bepaalde categorie.

Machine leren breed onderverdeeld in twee categorie, gecontroleerd en zonder toezicht.

Supervised learning is het concept waarbij je vector/data invoert met bijbehorende doelwaarde (output). Aan de andere kant is unsupervised learning het concept waarbij je alleen vectoren/data invoert zonder enige bijbehorende doelwaarde.

Een voorbeeld van leren onder toezicht is herkenning van handgeschreven cijfers, waarbij u een afbeelding hebt van cijfers met het bijbehorende cijfer [0-9], en een voorbeeld van leren zonder toezicht is het groeperen van klanten op aankoopgedrag.