Βασική διαφορά – Εποπτευόμενη έναντι Μη εποπτευόμενης Μηχανικής Εκμάθησης
Η εποπτευόμενη μάθηση και η μάθηση χωρίς επίβλεψη είναι δύο βασικές έννοιες της μηχανικής μάθησης. Η εποπτευόμενη μάθηση είναι μια εργασία Μηχανικής Εκμάθησης για την εκμάθηση μιας συνάρτησης που αντιστοιχίζει μια είσοδο σε μια έξοδο με βάση τα παραδείγματα ζευγών εισόδου-εξόδου. Η Unsupervised Learning είναι η εργασία Machine Learning για την εξαγωγή συνάρτησης για την περιγραφή της κρυφής δομής από δεδομένα χωρίς ετικέτα. Η βασική διαφορά μεταξύ εποπτευόμενης και μη εποπτευόμενης μηχανικής εκμάθησης είναι ότι η εποπτευόμενη εκμάθηση χρησιμοποιεί δεδομένα με ετικέτα ενώ η μη εποπτευόμενη εκμάθηση χρησιμοποιεί δεδομένα χωρίς ετικέτα.
Η Μηχανική Μάθηση είναι ένας τομέας στην Επιστήμη των Υπολογιστών που δίνει τη δυνατότητα σε ένα σύστημα υπολογιστή να μαθαίνει από δεδομένα χωρίς να είναι ρητά προγραμματισμένο. Επιτρέπει την ανάλυση των δεδομένων και την πρόβλεψη μοτίβων σε αυτά. Υπάρχουν πολλές εφαρμογές μηχανικής μάθησης. Μερικά από αυτά είναι η αναγνώριση προσώπου, η αναγνώριση χειρονομιών και η αναγνώριση ομιλίας. Υπάρχουν διάφοροι αλγόριθμοι που σχετίζονται με τη μηχανική μάθηση. Μερικά από αυτά είναι η παλινδρόμηση, η ταξινόμηση και η ομαδοποίηση. Οι πιο κοινές γλώσσες προγραμματισμού για την ανάπτυξη εφαρμογών που βασίζονται στη μηχανική μάθηση είναι η R και η Python. Μπορούν επίσης να χρησιμοποιηθούν και άλλες γλώσσες όπως Java, C++ και Matlab.
Τι είναι η εποπτευόμενη μάθηση;
Στα συστήματα που βασίζονται στη μηχανική μάθηση, το μοντέλο λειτουργεί σύμφωνα με έναν αλγόριθμο. Στην εποπτευόμενη μάθηση, το μοντέλο εποπτεύεται. Πρώτον, απαιτείται η εκπαίδευση του μοντέλου. Με τη γνώση που αποκτάται, μπορεί να προβλέψει απαντήσεις για μελλοντικές περιπτώσεις. Το μοντέλο εκπαιδεύεται χρησιμοποιώντας ένα επισημασμένο σύνολο δεδομένων. Όταν ένα από τα δεδομένα του δείγματος δίνεται στο σύστημα, μπορεί να προβλέψει το αποτέλεσμα. Ακολουθεί ένα μικρό απόσπασμα από το δημοφιλές σύνολο δεδομένων IRIS.
Σύμφωνα με τον παραπάνω πίνακα, το μήκος σέπαλο, το πλάτος του σέπαλου, το μήκος του σέπαλου, το πλάτος του πέλματος και το είδος ονομάζονται χαρακτηριστικά. Οι στήλες είναι γνωστές ως χαρακτηριστικά. Μια σειρά έχει δεδομένα για όλα τα χαρακτηριστικά. Επομένως, μια σειρά ονομάζεται παρατήρηση. Τα δεδομένα μπορεί να είναι είτε αριθμητικά είτε κατηγορικά. Στο μοντέλο δίνονται οι παρατηρήσεις με το αντίστοιχο όνομα είδους ως είσοδο. Όταν δίνεται μια νέα παρατήρηση, το μοντέλο θα πρέπει να προβλέπει τον τύπο του είδους στο οποίο ανήκει.
Στην εποπτευόμενη μάθηση, υπάρχουν αλγόριθμοι ταξινόμησης και παλινδρόμησης. Ταξινόμηση είναι η διαδικασία ταξινόμησης των επισημασμένων δεδομένων. Το μοντέλο δημιούργησε όρια που χώριζαν τις κατηγορίες δεδομένων. Όταν παρέχονται νέα δεδομένα στο μοντέλο, μπορεί να κατηγοριοποιηθεί με βάση το πού υπάρχει το σημείο. Το K-Nearest Neighbors (KNN) είναι ένα μοντέλο ταξινόμησης. Ανάλογα με την τιμή k, αποφασίζεται η κατηγορία. Για παράδειγμα, όταν το k είναι 5, εάν ένα συγκεκριμένο σημείο δεδομένων είναι κοντά σε οκτώ σημεία δεδομένων στην κατηγορία Α και έξι σημεία δεδομένων στην κατηγορία Β, τότε το σημείο δεδομένων θα ταξινομηθεί ως Α.
Η παλινδρόμηση είναι η διαδικασία πρόβλεψης της τάσης των προηγούμενων δεδομένων για την πρόβλεψη του αποτελέσματος των νέων δεδομένων. Στην παλινδρόμηση, η έξοδος μπορεί να αποτελείται από μία ή περισσότερες συνεχείς μεταβλητές. Η πρόβλεψη γίνεται χρησιμοποιώντας μια γραμμή που καλύπτει τα περισσότερα σημεία δεδομένων. Το απλούστερο μοντέλο παλινδρόμησης είναι μια γραμμική παλινδρόμηση. Είναι γρήγορο και δεν απαιτεί παραμέτρους συντονισμού όπως στο KNN. Εάν τα δεδομένα δείχνουν μια παραβολική τάση, τότε το μοντέλο γραμμικής παλινδρόμησης δεν είναι κατάλληλο.
Αυτά είναι μερικά παραδείγματα εποπτευόμενων αλγορίθμων εκμάθησης. Γενικά, τα αποτελέσματα που παράγονται από εποπτευόμενες μεθόδους μάθησης είναι πιο ακριβή και αξιόπιστα επειδή τα δεδομένα εισόδου είναι καλά γνωστά και φέρουν ετικέτα. Επομένως, το μηχάνημα πρέπει να αναλύει μόνο τα κρυφά μοτίβα.
Τι είναι η μάθηση χωρίς επίβλεψη;
Σε μάθηση χωρίς επίβλεψη, το μοντέλο δεν εποπτεύεται. Το μοντέλο λειτουργεί μόνο του, για να προβλέψει τα αποτελέσματα. Χρησιμοποιεί αλγόριθμους μηχανικής μάθησης για να καταλήξει σε συμπεράσματα σχετικά με δεδομένα χωρίς ετικέτα. Γενικά, οι αλγόριθμοι μάθησης χωρίς επίβλεψη είναι πιο δύσκολοι από τους αλγόριθμους εποπτευόμενης μάθησης επειδή υπάρχουν λίγες πληροφορίες. Η ομαδοποίηση είναι ένας τύπος μάθησης χωρίς επίβλεψη. Μπορεί να χρησιμοποιηθεί για την ομαδοποίηση των άγνωστων δεδομένων χρησιμοποιώντας αλγόριθμους. Η k-μέση και η ομαδοποίηση με βάση την πυκνότητα είναι δύο αλγόριθμοι ομαδοποίησης.
Αλγόριθμος k-μέσος αλγόριθμος, τοποθετεί το k κεντροειδές τυχαία για κάθε σύμπλεγμα. Στη συνέχεια, κάθε σημείο δεδομένων εκχωρείται στο πλησιέστερο κέντρο. Η Ευκλείδεια απόσταση χρησιμοποιείται για τον υπολογισμό της απόστασης από το σημείο δεδομένων στο κέντρο. Τα σημεία δεδομένων ταξινομούνται σε ομάδες. Οι θέσεις για τα k κεντροειδή υπολογίζονται ξανά. Η νέα θέση του κέντρου καθορίζεται από τον μέσο όρο όλων των σημείων της ομάδας. Και πάλι κάθε σημείο δεδομένων εκχωρείται στο πλησιέστερο κέντρο. Αυτή η διαδικασία επαναλαμβάνεται έως ότου τα κεντροειδή δεν αλλάζουν πλέον. Το k-mean είναι ένας γρήγορος αλγόριθμος ομαδοποίησης, αλλά δεν υπάρχει συγκεκριμένη προετοιμασία των σημείων ομαδοποίησης. Επίσης, υπάρχει μεγάλη ποικιλία μοντέλων ομαδοποίησης που βασίζονται στην προετοιμασία των σημείων συμπλέγματος.
Ένας άλλος αλγόριθμος ομαδοποίησης είναι η ομαδοποίηση βάσει πυκνότητας. Είναι επίσης γνωστό ως Εφαρμογές χωρικής ομαδοποίησης με βάση την πυκνότητα με θόρυβο. Λειτουργεί ορίζοντας ένα σύμπλεγμα ως το μέγιστο σύνολο συνδεδεμένων σημείων πυκνότητας. Είναι δύο παράμετροι που χρησιμοποιούνται για ομαδοποίηση με βάση την πυκνότητα. Είναι Ɛ (έψιλον) και ελάχιστοι βαθμοί. Το Ɛ είναι η μέγιστη ακτίνα της γειτονιάς. Τα ελάχιστα σημεία είναι ο ελάχιστος αριθμός σημείων στη γειτονιά Ɛ για τον ορισμό ενός συμπλέγματος. Αυτά είναι μερικά παραδείγματα ομαδοποίησης που εμπίπτουν σε μάθηση χωρίς επίβλεψη.
Γενικά, τα αποτελέσματα που παράγονται από αλγόριθμους μάθησης χωρίς επίβλεψη δεν είναι πολύ ακριβή και αξιόπιστα, επειδή το μηχάνημα πρέπει να ορίσει και να επισημάνει τα δεδομένα εισόδου πριν προσδιορίσει τα κρυφά μοτίβα και συναρτήσεις.
Ποια είναι η ομοιότητα μεταξύ της εποπτευόμενης και της μη εποπτευόμενης μηχανικής εκμάθησης;
Τόσο η εποπτευόμενη όσο και η μη εποπτευόμενη μάθηση είναι τύποι μηχανικής μάθησης
Ποια είναι η διαφορά μεταξύ της εποπτευόμενης και της μη εποπτευόμενης μηχανικής εκμάθησης;
Εποπτευόμενη vs Μη εποπτευόμενη Μηχανική Εκμάθηση |
|
| Η εποπτευόμενη μάθηση είναι η εργασία Machine Learning για την εκμάθηση μιας συνάρτησης που αντιστοιχίζει μια είσοδο σε μια έξοδο βάσει παραδειγμάτων ζευγαριών εισόδου-εξόδου. | Η Unsupervised Learning είναι η εργασία της Μηχανικής Εκμάθησης που συνάγει μια συνάρτηση για την περιγραφή κρυφής δομής από δεδομένα χωρίς ετικέτα. |
| Κύρια λειτουργικότητα | |
| Στην εποπτευόμενη μάθηση, το μοντέλο προβλέπει το αποτέλεσμα με βάση τα επισημασμένα δεδομένα εισόδου. | Σε μάθηση χωρίς επίβλεψη, το μοντέλο προβλέπει το αποτέλεσμα χωρίς επισημασμένα δεδομένα, προσδιορίζοντας τα μοτίβα από μόνο του. |
| Ακρίβεια των αποτελεσμάτων | |
| Τα αποτελέσματα που παράγονται από μεθόδους εποπτευόμενης μάθησης είναι πιο ακριβή και αξιόπιστα. | Τα αποτελέσματα που παράγονται από μεθόδους μάθησης χωρίς επίβλεψη δεν είναι πολύ ακριβή και αξιόπιστα. |
| Κύριοι αλγόριθμοι | |
| Υπάρχουν αλγόριθμοι για παλινδρόμηση και ταξινόμηση στην εποπτευόμενη μάθηση. | Υπάρχουν αλγόριθμοι για ομαδοποίηση σε μάθηση χωρίς επίβλεψη. |
Σύνοψη – Εποπτευόμενη έναντι Μη εποπτευόμενης Μηχανικής Εκμάθησης
Η εποπτευόμενη μάθηση και η μη εποπτευόμενη μάθηση είναι δύο τύποι Μηχανικής μάθησης. Η εποπτευόμενη μάθηση είναι η εργασία Μηχανικής Εκμάθησης για την εκμάθηση μιας συνάρτησης που αντιστοιχίζει μια είσοδο σε μια έξοδο με βάση παραδείγματα ζευγών εισόδου-εξόδου. Η Unsupervised Learning είναι η εργασία Machine Learning για την εξαγωγή συνάρτησης για την περιγραφή της κρυφής δομής από δεδομένα χωρίς ετικέτα. Η διαφορά μεταξύ εποπτευόμενης και μη εποπτευόμενης μηχανικής εκμάθησης είναι ότι η εποπτευόμενη εκμάθηση χρησιμοποιεί δεδομένα με ετικέτα, ενώ η μη εποπτευόμενη κλίση χρησιμοποιεί δεδομένα χωρίς ετικέτα.
