Indhold
Q:
Hvad er forskellen mellem læret under opsyn, uden opsyn og halvledelse?
EN:
Den vigtigste forskel mellem overvåget og uovervåget læring i maskinlæring er brugen af træningsdata.
Overvåget læring bruger eksempler på data for at vise, hvordan "korrekte" data ser ud. Dataene er struktureret til at vise output fra givne input.
En maskinlæringsalgoritme, der klassificerer frugter, kan have billeder af frugter som æbler, bananer, druer og appelsiner som input og disse frugter som output.
Et ægte eksempel ville være de Bayesiske spamfiltre i programmer. Disse filtre trænes med eksempler på s, der betragtes som spam. Spamfiltret kan derefter søge efter bestemte sætninger, der vises i s, der forekommer i spam-s, og flytte dem til en spam-mappe.
Det er som at vise et menneske, hvordan man udfører en ny opgave. En person, der udfører indtastning af data, kan få vist eksempler på dataene i et format, som virksomheden ønsker, og forventes derefter at følge dem.
Programmer til maskinlæring, der bruger overvåget læring, gentages mange gange med træningsdataene. Resultaterne kan være imponerende, når det virkelig kommer i gang. Googles Gmail-spamfilter er meget nøjagtigt, fordi der er så mange brugere, der træner det.
Uovervåget indlæring har ingen data om forudgående træning. I vores eksempel på frugtklassificering kan en algoritme muligvis bare vises billeder af frugt og få besked om at klassificere dem.
Uovervåget læring har applikationer i markedsundersøgelser ved at lære kundernes købsvaner eller sikkerhed ved at overvåge hackingmønstre.
Semi-overvåget læring forsøger at tage en midterste grund ved at mærke nogle af dataene. For eksempel kan æblet og appelsinen være mærket i frugtklassificeringsprogrammet, men bananen og druerne er det ikke.
Hvornår en af disse algoritmer skal bruges vil afhænge af den type data, der bruges. Nogle opgaver har stabile mønstre, såsom kreditkortsvindel eller spam. Overvåget læring er passende til denne slags opgaver. Netværksangreb er uforudsigelige, og uovervågede eller semi-overvågede læringsmetoder kan være mere passende.