Perbezaan Antara Pembelajaran Mesin Yang Diawasi Dan Tidak Diawasi

2024 Pengarang: Mildred Bawerman | [email protected]. Diubah suai terakhir: 2023-12-16 08:40

Perbezaan Utama - Pembelajaran Mesin Diawasi vs Tidak Diawasi

Pembelajaran yang diselia dan pembelajaran yang tidak diselia adalah dua konsep teras pembelajaran mesin. Pembelajaran yang diawasi adalah tugas Pembelajaran Mesin untuk mempelajari fungsi yang memetakan input ke output berdasarkan contoh pasangan input-output. Pembelajaran Tanpa Pengawasan adalah tugas Pembelajaran Mesin menyimpulkan fungsi untuk menggambarkan struktur tersembunyi dari data tanpa label. Perbezaan utama antara pembelajaran mesin yang diselia dan yang tidak diawasi adalah bahawa pembelajaran yang diselia menggunakan data berlabel sementara pembelajaran tanpa pengawasan menggunakan data yang tidak berlabel.

Pembelajaran Mesin adalah bidang dalam Sains Komputer yang memberikan kemampuan untuk sistem komputer belajar dari data tanpa diprogram secara eksplisit. Ia memungkinkan untuk menganalisis data dan untuk meramalkan corak di dalamnya. Terdapat banyak aplikasi pembelajaran mesin. Sebahagian daripadanya adalah pengecaman wajah, pengenalan isyarat dan pengecaman pertuturan. Terdapat pelbagai algoritma yang berkaitan dengan pembelajaran mesin. Sebahagian daripadanya adalah regresi, klasifikasi dan pengelompokan. Bahasa pengaturcaraan yang paling biasa untuk mengembangkan aplikasi berasaskan pembelajaran mesin adalah R dan Python. Bahasa lain seperti Java, C ++ dan Matlab juga boleh digunakan.

KANDUNGAN

1. Gambaran Keseluruhan dan Perbezaan Utama

2. Apa itu Pembelajaran Dengan Penyeliaan

3. Apa itu Pembelajaran Tanpa

Pengawasan 4. Persamaan Antara Pembelajaran Mesin yang Diawasi dan yang Tidak Diawasi

5. Perbandingan Berdampingan - Pembelajaran Mesin yang Diawasi vs Yang Tidak Diawasi dalam Jadual Tingkatan

6. Rumusan

Apa itu Pembelajaran yang Diselia?

Dalam sistem berasaskan pembelajaran mesin, model berfungsi mengikut algoritma. Dalam pembelajaran yang diselia, model itu diselia. Pertama, diperlukan untuk melatih model. Dengan pengetahuan yang diperoleh, ia dapat meramalkan jawapan untuk contoh masa depan. Model dilatih menggunakan set data berlabel. Apabila data di luar sampel diberikan kepada sistem, ia dapat meramalkan hasilnya. Berikut adalah ekstrak kecil dari kumpulan data IRIS yang popular.

Menurut jadual di atas, panjang Sepal, lebar Sepal, panjang Patel, lebar Patel dan Spesies disebut atribut. Lajur dikenali sebagai ciri. Satu baris mempunyai data untuk semua atribut. Oleh itu, satu baris dipanggil pemerhatian. Data boleh berupa numerik atau kategoris. Model ini diberi pemerhatian dengan nama spesies yang sesuai sebagai input. Apabila pemerhatian baru diberikan, model harus meramalkan jenis spesies yang menjadi miliknya.

Dalam pembelajaran yang diselia, terdapat algoritma untuk klasifikasi dan regresi. Klasifikasi adalah proses mengklasifikasikan data berlabel. Model mencipta sempadan yang memisahkan kategori data. Apabila data baru diberikan kepada model, data dapat dikategorikan berdasarkan di mana titik tersebut ada. K-Nearest Neighbours (KNN) adalah model klasifikasi. Bergantung pada nilai k, kategori ditentukan. Sebagai contoh, apabila k adalah 5, jika titik data tertentu mendekati lapan titik data dalam kategori A dan enam titik data dalam kategori B, maka titik data akan diklasifikasikan sebagai A.

Regresi adalah proses meramalkan tren data sebelumnya untuk meramalkan hasil data baru. Dalam regresi, output boleh terdiri daripada satu atau lebih pemboleh ubah berterusan. Ramalan dilakukan menggunakan garis yang merangkumi kebanyakan titik data. Model regresi termudah adalah regresi linear. Ia cepat dan tidak memerlukan parameter penalaan seperti di KNN. Sekiranya data menunjukkan tren parabola, maka model regresi linear tidak sesuai.

Itu adalah beberapa contoh algoritma pembelajaran yang diselia. Secara amnya, hasil yang dihasilkan dari kaedah pembelajaran yang diselia lebih tepat dan boleh dipercayai kerana data inputnya terkenal dan dilabel. Oleh itu, mesin hanya perlu menganalisis corak yang tersembunyi.

Apa itu Pembelajaran Tanpa Pengawasan?

Dalam pembelajaran tanpa pengawasan, model tidak diawasi. Model ini berfungsi sendiri, untuk meramalkan hasilnya. Ia menggunakan algoritma pembelajaran mesin untuk membuat kesimpulan mengenai data yang tidak berlabel. Secara amnya, algoritma pembelajaran tanpa pengawasan lebih sukar daripada algoritma pembelajaran yang diselia kerana terdapat sedikit maklumat. Pengelompokan adalah sejenis pembelajaran tanpa pengawasan. Ia boleh digunakan untuk mengelompokkan data yang tidak diketahui menggunakan algoritma. Pengelompokan berdasarkan min-k dan kepadatan adalah dua algoritma kluster.

algoritma k-mean, meletakkan k centroid secara rawak untuk setiap kluster. Kemudian setiap titik data diberikan kepada pusat terdekat. Jarak Euclidean digunakan untuk mengira jarak dari titik data ke centroid. Titik data dikelaskan kepada beberapa kumpulan. Kedudukan untuk k centroid dikira semula. Posisi centroid baru ditentukan oleh min semua titik dalam kumpulan. Sekali lagi setiap titik data diberikan kepada pusat terdekat. Proses ini berulang sehingga sentroid tidak lagi berubah. k-mean adalah algoritma pengelompokan cepat, tetapi tidak ada inisialisasi titik kluster yang ditentukan. Juga, terdapat variasi tinggi model kluster berdasarkan inisialisasi titik kluster.

Algoritma pengelompokan lain adalah pengelompokan berdasarkan ketumpatan. Ia juga dikenali sebagai Aplikasi Pengelompokan Spatial Berasaskan Kepadatan dengan bunyi bising. Ia berfungsi dengan mendefinisikan kluster sebagai set titik maksimum kepadatan yang disambungkan. Mereka adalah dua parameter yang digunakan untuk pengelompokan berdasarkan kepadatan. Mereka adalah Ɛ (epsilon) dan titik minimum. Ɛ adalah radius maksimum kejiranan. Titik minimum adalah bilangan titik minimum di kejiranan Ɛ untuk menentukan kluster. Itulah beberapa contoh pengelompokan yang tergolong dalam pembelajaran tanpa pengawasan.

Secara amnya, hasil yang dihasilkan dari algoritma pembelajaran yang tidak diawasi tidak begitu tepat dan boleh dipercayai kerana mesin harus menentukan dan melabel data input sebelum menentukan corak dan fungsi tersembunyi.

Apakah Kesamaan Antara Pembelajaran Mesin yang Diawasi dan Tidak Diawasi?

Kedua-dua Pembelajaran yang diawasi dan yang tidak diawasi adalah jenis Pembelajaran Mesin

Apakah Perbezaan Antara Pembelajaran Mesin yang Diawasi dan Tidak Diawasi?

Artikel Diff Tengah sebelum Jadual

Pembelajaran Mesin yang diselia vs yang tidak diawasi
Pembelajaran yang diawasi adalah tugas Pembelajaran Mesin untuk mempelajari fungsi yang memetakan input ke output berdasarkan contoh pasangan input-output.	Pembelajaran Tanpa Pengawasan adalah tugas Pembelajaran Mesin menyimpulkan fungsi untuk menggambarkan struktur tersembunyi dari data tanpa label.
Fungsi Utama
Dalam pembelajaran diawasi, model meramalkan hasil berdasarkan data input berlabel.	Dalam pembelajaran tanpa pengawasan, model meramalkan hasil tanpa data berlabel dengan mengenal pasti coraknya sendiri.
Ketepatan Hasilnya
Hasil yang dihasilkan dari kaedah pembelajaran yang diselia lebih tepat dan boleh dipercayai.	Hasil yang dihasilkan dari kaedah pembelajaran tanpa pengawasan tidak begitu tepat dan boleh dipercayai.
Algoritma Utama
Terdapat algoritma untuk regresi dan klasifikasi dalam pembelajaran yang diselia.	Terdapat algoritma untuk pengelompokan dalam pembelajaran tanpa pengawasan.

Ringkasan - Pembelajaran Mesin yang diselia vs yang tidak diawasi

Pembelajaran yang diawasi dan Pembelajaran Tanpa Pengawasan adalah dua jenis Pembelajaran Mesin. Pembelajaran yang diawasi adalah tugas Pembelajaran Mesin untuk mempelajari fungsi yang memetakan input ke output berdasarkan contoh pasangan input-output. Pembelajaran Tanpa Pengawasan adalah tugas Pembelajaran Mesin menyimpulkan fungsi untuk menggambarkan struktur tersembunyi dari data tanpa label. Perbezaan antara pembelajaran mesin yang diselia dan yang tidak diawasi adalah bahawa pembelajaran yang diselia menggunakan data berlabel sementara condong tanpa pengawasan menggunakan data yang tidak berlabel.