Che cos'è l'apprendimento automatico supervisionato e come si collega all'apprendimento automatico non supervisionato?
In questo post scoprirai l'apprendimento supervisionato , l'apprendimento non supervisionato e l'apprendimento semi-supervisionato .
Dopo aver letto questo post saprai:
Informazioni sulla classificazione e regressione dei problemi di apprendimento supervisionato.
Informazioni sui problemi di apprendimento non supervisionato di raggruppamento e associazione.
Esempi di algoritmi utilizzati per problemi supervisionati e non supervisionati.
Un problema che si trova tra l'apprendimento supervisionato e non supervisionato chiamato apprendimento semi-supervisionato.
Prerequisiti :
Apprendimento automatico supervisionato
La maggior parte dell'apprendimento automatico pratico utilizza l'apprendimento supervisionato.
L'apprendimento supervisionato è dove si hanno variabili di input (x) e una variabile di output (Y) e si utilizza un algoritmo per apprendere la funzione di mappatura dall'input all'output.
Y = f(X)
L'obiettivo è approssimare la funzione di mappatura così bene che quando si hanno nuovi dati di input (x) è possibile prevedere le variabili di output (Y) per quei dati.
Si chiama apprendimento supervisionato perché il processo di un algoritmo che apprende dal set di dati di addestramento può essere considerato come un insegnante che supervisiona il processo di apprendimento. Conosciamo le risposte corrette, l'algoritmo fa in modo iterativo previsioni sui dati di allenamento e viene corretto dall'insegnante. L'apprendimento si interrompe quando l'algoritmo raggiunge un livello di prestazioni accettabile.
I problemi di apprendimento supervisionato possono essere ulteriormente raggruppati in problemi di regressione e classificazione.
Classificazione : un problema di classificazione si ha quando la variabile di output è una categoria, come "rosso" o "blu" o "malattia" e "nessuna malattia".
Regressione : un problema di regressione si verifica quando la variabile di output è un valore reale, ad esempio "dollari" o "peso".
Alcuni tipi comuni di problemi basati sulla classificazione e sulla regressione includono rispettivamente la raccomandazione e la previsione delle serie temporali.
Alcuni esempi popolari di algoritmi di apprendimento automatico supervisionati sono:
Regressione lineare per problemi di regressione.
Foresta casuale per problemi di classificazione e regressione.
Supporta macchine vettoriali per problemi di classificazione.
Apprendimento automatico senza supervisione
L'apprendimento non supervisionato è dove hai solo dati di input (X) e nessuna variabile di output corrispondente.
L'obiettivo dell'apprendimento non supervisionato è modellare la struttura o la distribuzione sottostante dei dati per saperne di più sui dati.
Questi sono chiamati apprendimento non supervisionato perché, a differenza dell'apprendimento supervisionato sopra, non ci sono risposte corrette e non c'è un insegnante. Gli algoritmi sono lasciati a se stessi per scoprire e presentare la struttura interessante nei dati.
I problemi di apprendimento senza supervisione possono essere ulteriormente raggruppati in problemi di raggruppamento e di associazione.
Clustering : un problema di clustering è dove vuoi scoprire i raggruppamenti intrinseci nei dati, come raggruppare i clienti in base al comportamento di acquisto.
Associazione : un problema di apprendimento delle regole di associazione è dove vuoi scoprire regole che descrivono grandi porzioni dei tuoi dati, come le persone che acquistano X tendono anche ad acquistare Y.
Alcuni esempi popolari di algoritmi di apprendimento senza supervisione sono:
k-means per problemi di clustering.
Apprendimento di regole di associazione.
Apprendimento automatico semi-supervisionato
I problemi in cui si dispone di una grande quantità di dati di input (X) e solo alcuni dei dati sono etichettati (Y) sono chiamati problemi di apprendimento semi-supervisionato.
Questi problemi si collocano tra l'apprendimento supervisionato e non supervisionato.
Un buon esempio è un archivio fotografico in cui solo alcune delle immagini sono etichettate (ad esempio cane, gatto, persona) e la maggior parte sono senza etichetta.
Molti problemi di apprendimento automatico del mondo reale rientrano in quest'area. Questo perché può essere costoso o richiedere molto tempo etichettare i dati in quanto potrebbe richiedere l'accesso a esperti di dominio. Mentre i dati senza etichetta sono economici e facili da raccogliere e archiviare.
È possibile utilizzare tecniche di apprendimento non supervisionato per scoprire e apprendere la struttura nelle variabili di input.
Puoi anche utilizzare tecniche di apprendimento supervisionato per fare previsioni migliori per i dati senza etichetta, reinserire tali dati nell'algoritmo di apprendimento supervisionato come dati di addestramento e utilizzare il modello per fare previsioni su nuovi dati invisibili.
Conclusione sugli algoritmi supervisionati e non
In questo post hai imparato la differenza tra apprendimento supervisionato, non supervisionato e semi-supervisionato. Ora sai che:
Supervisionato : tutti i dati sono etichettati e gli algoritmi imparano a prevedere l'output dai dati di input.
Senza supervisione : tutti i dati non sono etichettati e gli algoritmi apprendono la struttura intrinseca dai dati di input.
Semi-supervisionato : alcuni dati sono etichettati, ma la maggior parte non è etichettata e può essere utilizzata una combinazione di tecniche supervisionate e non supervisionate.
Hai domande sull'apprendimento supervisionato, non supervisionato o semi-supervisionato? Lascia un commento e fai la tua domanda e faremo del nostro meglio per rispondere.
.png)
