Ohjattu ja valvomaton oppiminen ovat koneoppimisen kaksi tekniikkaa. Mutta molempia tekniikoita käytetään eri skenaarioissa ja eri tietojoukoissa. Alla on selitys molemmista oppimismenetelmistä sekä niiden erotaulukko.
kuinka saada näkyviin sovellus Androidissa
Valvottu koneoppiminen:
Ohjattu oppiminen on koneoppimismenetelmä, jossa malleja opetetaan käyttämällä merkittyä dataa. Valvotussa oppimisessa mallien on löydettävä kartoitusfunktio, joka kuvaa tulomuuttujan (X) lähtömuuttujan (Y) kanssa.
Ohjattu oppiminen tarvitsee ohjausta mallin kouluttamiseen, mikä on samanlaista kuin opiskelija oppii asioita opettajan läsnäollessa. Ohjattua oppimista voidaan käyttää kahdentyyppisiin ongelmiin: Luokittelu ja Regressio .
Lue lisää Valvottu koneoppiminen
Esimerkki: Oletetaan, että meillä on kuva erityyppisistä hedelmistä. Ohjatun oppimismallimme tehtävänä on tunnistaa hedelmät ja luokitella ne sen mukaan. Joten kuvan tunnistamiseksi ohjatussa oppimisessa annamme siihen syötetiedot ja tulosteen, mikä tarkoittaa, että koulutamme mallia kunkin hedelmän muodon, koon, värin ja maun mukaan. Kun koulutus on suoritettu, testaamme mallia antamalla uusia hedelmiä. Malli tunnistaa hedelmän ja ennustaa tuotoksen sopivalla algoritmilla.
Valvomaton koneoppiminen:
Valvomaton oppiminen on toinen koneoppimismenetelmä, jossa mallit päätellään merkitsemättömästä syöttödatasta. Ohjaamattoman oppimisen tavoitteena on löytää syöttötiedoista rakenne ja kuviot. Ohjaamaton oppiminen ei vaadi ohjausta. Sen sijaan se löytää kuvioita tiedoista itse.
Lue lisää Valvomaton koneoppiminen
Ohjaamatonta oppimista voidaan käyttää kahdentyyppisiin ongelmiin: Klusterointi ja yhdistys .
Esimerkki: Ymmärtääksemme ohjaamattoman oppimisen käytämme yllä olevaa esimerkkiä. Joten toisin kuin ohjattua oppimista, tässä emme tarjoa mallille minkäänlaista ohjausta. Annamme vain syöttötietojoukon mallille ja annamme mallin löytää mallit tiedoista. Sopivan algoritmin avulla malli harjoittelee itseään ja jakaa hedelmät eri ryhmiin niiden välisten samankaltaisimpien piirteiden mukaan.
Tärkeimmät erot ohjatun ja ohjaamattoman oppimisen välillä on esitetty alla:
| Ohjattu oppiminen | Ohjaamaton oppiminen |
|---|---|
| Valvottuja oppimisalgoritmeja opetetaan käyttämällä merkittyjä tietoja. | Valvomattomia oppimisalgoritmeja opetetaan käyttämällä merkitsemätöntä dataa. |
| Valvottu oppimismalli ottaa suoran palautteen tarkistaakseen, ennustaako se oikeaa tulosta vai ei. | Ohjaamaton oppimismalli ei ota palautetta vastaan. |
| Ohjattu oppimismalli ennustaa tuotoksen. | Valvomaton oppimismalli löytää piilotetut mallit tiedosta. |
| Ohjatussa oppimisessa malliin syötetään lähtötiedot tulosteen mukana. | Ohjaamattomassa oppimisessa malliin syötetään vain syöttödataa. |
| Ohjatun oppimisen tavoitteena on kouluttaa mallia niin, että se pystyy ennustamaan tulosten, kun sille annetaan uutta dataa. | Valvomattoman oppimisen tavoitteena on löytää piilotetut kuviot ja hyödylliset oivallukset tuntemattomasta tietojoukosta. |
| Ohjattu oppiminen vaatii ohjausta mallin kouluttamiseksi. | Ohjaamaton oppiminen ei vaadi ohjausta mallin kouluttamiseen. |
| Ohjattu oppiminen voidaan luokitella Luokittelu ja Regressio ongelmia. | Ohjaamaton oppiminen voidaan luokitella Klusterointi ja Yhdistykset ongelmia. |
| Ohjattua oppimista voidaan käyttää niissä tapauksissa, joissa tiedämme syötteen ja vastaavat lähdöt. | Ohjaamatonta oppimista voidaan käyttää niissä tapauksissa, joissa meillä on vain syöttödataa eikä vastaavaa lähtödataa. |
| Ohjattu oppimismalli tuottaa tarkan tuloksen. | Ohjaamaton oppimismalli voi antaa vähemmän tarkan tuloksen kuin ohjattu oppiminen. |
| Ohjattu oppiminen ei ole lähelläkään todellista tekoälyä, sillä tässä ensin harjoittelemme mallin jokaiselle datalle ja vasta sitten se voi ennustaa oikean tulosteen. | Ohjaamaton oppiminen on lähempänä todellista tekoälyä, koska se oppii samalla tavalla kuin lapsi oppii kokemustensa kautta päivittäisiä rutiineja. |
| Se sisältää erilaisia algoritmeja, kuten lineaarista regressiota, logistista regressiota, tukivektorikonetta, moniluokkaista luokittelua, päätöspuuta, Bayesin logiikkaa jne. | Se sisältää erilaisia algoritmeja, kuten klusteroinnin, KNN:n ja Apriori-algoritmin. |