Учење под надзором и учење без надзора су две технике машинског учења. Али обе технике се користе у различитим сценаријима и са различитим скуповима података. У наставку је дато објашњење обе методе учења заједно са њиховим табелама разлика.
Диана Мари Блацкер
Машинско учење под надзором:
Учење под надзором је метода машинског учења у којој се модели обучавају коришћењем означених података. У надгледаном учењу, модели треба да пронађу функцију мапирања да мапирају улазну променљиву (Кс) са излазном променљивом (И).
Надгледаном учењу је потребан надзор да би се обучио модел, што је слично као када ученик учи ствари у присуству наставника. Надзирано учење се може користити за две врсте проблема: Класификација и Регресија .
Сазнајте више Машинско учење под надзором
Пример: Претпоставимо да имамо слику различитих врста воћа. Задатак нашег модела учења под надзором је да идентификује плодове и класификује их у складу са тим. Дакле, да бисмо идентификовали слику у надгледаном учењу, даћемо улазне податке као и излазне податке за то, што значи да ћемо модел тренирати према облику, величини, боји и укусу сваког воћа. Када се обука заврши, тестираћемо модел тако што ћемо дати нови сет воћа. Модел ће идентификовати плод и предвидети излаз користећи одговарајући алгоритам.
Машинско учење без надзора:
Учење без надзора је још једна метода машинског учења у којој се обрасци закључују из неозначених улазних података. Циљ учења без надзора је проналажење структуре и образаца из улазних података. За учење без надзора није потребан никакав надзор. Уместо тога, он сам проналази обрасце из података.
Сазнајте више Машинско учење без надзора
Учење без надзора се може користити за две врсте проблема: Груписање и Удружење .
Пример: Да бисмо разумели учење без надзора, користићемо пример дат горе. Дакле, за разлику од учења под надзором, овде нећемо обезбедити никакав надзор над моделом. Ми ћемо само обезбедити улазни скуп података у модел и омогућити моделу да пронађе обрасце из података. Уз помоћ одговарајућег алгоритма, модел ће се истренирати и поделити плодове у различите групе према најсличнијим особинама међу њима.
Главне разлике између учења под надзором и учења без надзора су наведене у наставку:
| Учење под надзором | Учење без надзора |
|---|---|
| Алгоритми за учење под надзором се обучавају коришћењем означених података. | Алгоритми за учење без надзора се обучавају коришћењем неозначених података. |
| Модел надгледаног учења узима директне повратне информације да би проверио да ли предвиђа тачан резултат или не. | Модел учења без надзора не узима никакве повратне информације. |
| Модел надгледаног учења предвиђа резултате. | Модел учења без надзора проналази скривене обрасце у подацима. |
| У надгледаном учењу, улазни подаци се обезбеђују моделу заједно са излазним. | У ненадгледаном учењу, моделу се дају само улазни подаци. |
| Циљ надгледаног учења је да обучи модел тако да може да предвиди излаз када му се дају нови подаци. | Циљ ненадгледаног учења је проналажење скривених образаца и корисних увида из непознатог скупа података. |
| Надгледаном учењу је потребан надзор да би се модел обучио. | Ненадгледаном учењу није потребан никакав надзор да би се модел обучио. |
| Учење под надзором може се категорисати у Класификација и Регресија проблеме. | Учење без надзора се може класификовати у Груписање и Удружења проблеме. |
| Надгледано учење се може користити за оне случајеве у којима знамо улаз као и одговарајуће излазе. | Учење без надзора се може користити за оне случајеве када имамо само улазне податке, а немамо одговарајуће излазне податке. |
| Модел учења под надзором даје тачан резултат. | Модел учења без надзора може дати мање тачан резултат у поређењу са учењем под надзором. |
| Надзирано учење није блиско правој вештачкој интелигенцији јер у овом случају прво обучавамо модел за сваки податак, а онда само он може да предвиди тачан резултат. | Учење без надзора је ближе правој вештачкој интелигенцији јер учи слично као што дете учи свакодневне рутинске ствари својим искуствима. |
| Укључује различите алгоритме као што су линеарна регресија, логистичка регресија, машина за подршку векторима, класификација више класа, стабло одлучивања, Бајесова логика итд. | Укључује различите алгоритме као што су груписање, КНН и Априори алгоритам. |