Quelle est la différence entre l'apprentissage supervisé et l'apprentissage non supervisé?

apprentissage supervisé est lorsque les données que vous alimentez votre algorithme est "étiqueté" pour aider votre logique à prendre des décisions.

exemple: filtrage de spam Bayes, où vous devez signaler un élément comme spam pour affiner les résultats.

apprentissage non supervisé sont des types d'algorithmes qui tentent de trouver des corrélations sans aucune entrée externe autre que les données brutes.

exemple: algorithmes de regroupement de données.

apprentissage supervisé

dans lesquelles les données de formation comprennent des exemples de vecteurs d'entrée ainsi que leurs vecteurs cibles correspondants sont connues sous le nom de problèmes d'apprentissage supervisé.

apprentissage non supervisé

dans d'autres problèmes de reconnaissance de modèle, les données de formation consistent en un ensemble de vecteurs d'entrée x sans aucune valeur cible correspondante. L'objectif de ces problèmes d'apprentissage non supervisés peut être de: découvrez les groupes d'exemples similaires dans les données, où il est appelé clustering

reconnaissance de formes et apprentissage automatique (Bishop, 2006)

dans l'apprentissage supervisé, le programme est fourni avec les résultats réels.Ainsi le résultat est appelé la classe de l'exemple.

mais dans l'apprentissage sans supervision, la classe d'un exemple n'est pas connue.Ainsi, l'apprentissage sans supervision est celui d'essayer de trouver une structure cachée dans un ensemble de données non étiqueté(classe inconnue).

les approches de l'apprentissage non supervisé comprennent:

• (Clustering K-moyennes,classification hiérarchique)

• Règle D'Association De L'Apprentissage

les approches de l'apprentissage supervisé comprennent:

• Classification (1R, naïve Bayes, algorithme D'apprentissage D'arbre de décision tel que comme ID3 CART et ainsi de suite)

• Prédiction De La Valeur Numérique

par exemple, très souvent la formation d'un réseau neuronal est l'apprentissage supervisé: vous dites au réseau à quelle classe correspond la caractéristique vecteur que vous alimentez.

le regroupement est un apprentissage non supervisé: vous laissez l'algorithme décider comment regrouper des échantillons dans des classes qui partagent des propriétés communes.

un Autre exemple de l'apprentissage non supervisé est de Kohonen de l'auto-organisation des cartes .

si vous avez besoin de connaître la signification d'eux si simplement,je peux vous donner un exemple: par exemple: vous devez reconnaître quel véhicule est une voiture et lequel est une moto? dans supervisé apprendre vos données d'entrée devrait avoir étiquette.Cela signifie que vous devez d'abord assigner que le véhicule qui a 2 roues et la taille est petite moto.(Dans ce cas, nous donnons les informations directement). Mais dans sans supervision apprendre, vous n'étiquetez pas le entrée.vous donnez des entrées différentes à la machine et la machine les regroupent par leurs caractéristiques similaires.

réponse Courte :

apprentissage Machine peut être divisé en deux algorithmes d'apprentissage:

apprentissage supervisé : vous donnez des exemples de données étiquetées de différentes façons, ainsi que les bonnes réponses. Cet algorithme va apprendre de lui, et commencer à prédire des résultats corrects basés sur les entrées par la suite. exemple : Spam filter

L'apprentissage sans supervision : vous donnez juste des données et ne dites rien - comme des étiquettes ou des réponses correctes. Algorithme analyse automatiquement les tendances dans les données. Exemple : Google News

j'ai toujours trouvé que la distinction entre non supervisé et l'apprentissage supervisé arbitraire et un peu déroutant. Il n'y a pas de véritable distinction entre les deux cas, mais il y a une série de situations dans lesquelles un algorithme peut avoir plus ou moins de "supervision". L'existence de l'apprentissage semi-supervisé est un exemple évident où la ligne est floue.

j'ai tendance à penser que la supervision de donner de la rétroaction à l'algorithme sur ce que les solutions doivent être privilégiées. Pour un réglage supervisé traditionnel, tel que la détection de spam, vous dites à l'algorithme "ne faites pas d'erreurs sur le jeu d'entraînement" ; pour un réglage non supervisé traditionnel, tel que le clustering, vous dites à l'algorithme "les points qui sont proches les uns des autres devraient être dans le même cluster" ". Il se trouve que, la première forme de rétroaction est beaucoup plus précis que le dernier.

en bref, quand quelqu'un dit "supervisée", pensez à la classification, quand ils disent "non supervisée", pensez au regroupement et essayez de ne pas trop vous en inquiéter au-delà de cela.

l'apprentissage de la Machine: Il explore l'étude et la construction d'algorithmes qui peuvent apprendre et de faire des prédictions sur les données.De tels algorithmes fonctionnent en construisant un modèle à partir d'entrées d'exemple afin de faire des prédictions ou des décisions basées sur des données exprimées comme des extrants,plutôt que de suivre des instructions de programme strictement statiques.

apprentissage supervisé: C'est la machine tâche d'apprentissage de déduire une fonction de données d'entraînement étiquetées.Les données de formation consistent en un ensemble d'exemples de formation. Dans l'apprentissage supervisé, chaque exemple est une paire composée d'un objet d'entrée (généralement un vecteur) et d'une valeur de sortie désirée (également appelée le signal de supervision). Un algorithme d'apprentissage supervisé analyse les données de formation et produit une fonction déduite, qui peut être utilisée pour cartographier de nouveaux exemples.

l'ordinateur est présenté avec des entrées d'exemple et leurs sorties désirées, étant donné par un "professeur", et le but est d'apprendre en règle générale, les cartes d'entrées vers les sorties.Plus précisément, un algorithme d'apprentissage supervisé prend un ensemble connu de données d'entrée et de réponses connues aux données (sorties), et forme un modèle pour générer des prédictions raisonnables pour la réponse aux nouvelles données.

apprentissage non supervisé: C'est l'apprentissage sans professeur. Une base chose que vous pourriez faire avec les données à visualiser. C'est le machine learning tâche consistant à déduire une fonction pour décrire une structure cachée à partir de données non marquées. Puisque les exemples donnés à l'apprenant ne sont pas marqués, il n'y a pas d'erreur ou de signal de récompense pour évaluer une solution potentielle. Cela distingue l'apprentissage non supervisé de l'apprentissage supervisé. L'apprentissage sans supervision utilise des procédures qui tentent de trouver des partitions naturelles de modèles.

résultats, c'est-à-dire qu'il n'y a pas d'enseignant pour vous corriger.Dans les méthodes d'apprentissage non supervisées, aucun exemple étiqueté n'est fourni et il n'y a aucune notion du résultat pendant le processus d'apprentissage. En conséquence, il appartient au schéma/modèle d'apprentissage de trouver des modèles ou de découvrir les groupes de données d'entrée

vous devez utiliser des méthodes d'apprentissage non supervisées lorsque vous avez besoin d'une grande la quantité de données à former vos modèles, et la volonté et la capacité de expérimenter et d'explorer, et bien sûr un défi qui n'est pas bien résolu par plusieurs méthodes.Avec l'apprentissage sans supervision il est possibilité d'apprendre des modèles plus grands et plus complexes qu'avec des apprentissage. ici est un bon exemple sur elle

.

l'apprentissage Supervisé, les données avec une réponse.

donné e-mail étiqueté comme spam/pas spam, apprendre un filtre de spam.

compte tenu d'un ensemble de données sur les patients chez qui on a diagnostiqué un diabète ou non, apprenez à classer les nouveaux patients comme ayant le diabète ou non.

apprentissage non supervisé, au vu des données sans réponse, laisser le pc à un groupe de choses.

compte tenu d'un ensemble d'articles de nouvelles trouvées sur le web, groupez l'ensemble des articles à propos de la même histoire.

grâce à une base de données de données personnalisées, découvrez automatiquement des segments de marché et groupez des clients dans différents segments de marché.

référence

Apprentissage Supervisé

Dans ce, chaque modèle d'entrée qui est utilisé pour former le réseau est associé à un modèle de sortie, qui est la cible ou le modèle. Un enseignant est supposé être présent lors de l'apprentissage processus, lorsqu'une comparaison est faite entre les la sortie et la sortie attendue correcte, pour déterminer l'erreur. Le l'erreur peut ensuite être utilisé pour modifier les paramètres du réseau, ce qui entraîne: une amélioration de la performance.

"Apprentissage Non Supervisé

dans cette méthode d'apprentissage, l'extrant cible n'est pas réseau. C'est comme si il n'y a pas d'enseignant pour présenter le souhaité le modèle et donc, le système apprend de ses propres en découvrant et adaptation aux caractéristiques structurelles des modèles d'entrée.

je vais essayer de faire simple.

apprentissage supervisé: dans cette technique d'apprentissage, on nous donne un ensemble de données et le système connaît déjà la sortie correcte de l'ensemble de données. Donc ici notre système apprend en prédisant une valeur de ses propres. Puis il fait un contrôle de précision en utilisant une fonction de coût, pour vérifier à quel point sa prédiction était proche de la production réelle.

Apprentissage non supervisé: Dans ce que nous approche avec peu ou Pas de connaissance de ce que nos résultats seraient. Donc, nous dérivons la structure des données où nous ne connaissons pas l'effet de la variable. Nous construisons la structure en regroupant les données sur la base de la relation entre les variables dans les données. Ici, nous n'avons pas une rétroaction basée sur notre prédiction.

Apprentissage Supervisé

L'apprentissage supervisé est basé sur la formation d'un échantillon de données de la source de données avec la classification correcte déjà assignée. Ces techniques sont utilisées pour l'alimentation ou la multicouche Modèles Perceptron (MLP). Ces MLP ont trois caractéristiques distinctives: caractéristiques:

1. Une ou plusieurs couches de neurones cachés qui ne font pas partie de l'entrée ou les couches de sortie du réseau qui permettent le réseau pour apprendre et résoudre tous les problèmes complexes
2. la non-linéarité reflétée dans l'activité neuronale est différenciable et,
3. Le modèle d'interconnexion du réseau présente un degré élevé de connectivité.

ces caractéristiques ainsi que l'apprentissage par la formation résoudre des problèmes difficiles et divers. L'apprentissage par le biais de la formation dans un modèle D'ANN supervisé aussi appelé backpropagation d'erreur algorithme. La correction d'erreur-apprendre l'algorithme forme le réseau sur la base des entrées-sorties samples et trouve le signal d'erreur, qui est la différence de sortie calculée et la sortie désirée et ajuste la les poids synaptiques des neurones qui est proportionnelle à la produit du signal d'erreur et l'entrée de l'instance de la synaptique de poids. Sur la base de ce principe, erreur retour l'apprentissage de la propagation se produit en deux passages:

Passe En Avant:

Ici, le vecteur d'entrée est présenté au réseau. Ce signal d'entrée se propage vers l'avant, neurone par neurone à travers le réseau et émerge à la sortie de le réseau comme signal de sortie: y(n) = φ(v(n)) où v(n) est le champ local induit d'un neurone défini par v(n) =Σ w(n)y(n). la sortie qui est calculée à la couche de sortie o(n) est comparée à la réponse désirée d(n) et trouve l'erreur e(n) pour ce neurone. Synaptique les poids du réseau au cours de cette passe restent les mêmes.

En Arrière:

le signal d'erreur provenant du neurone de sortie de cette couche se propage vers l'arrière à travers le réseau. Cela calcule le gradient local pour chaque neurone dans chaque couche et permet aux poids synaptiques du réseau de subir des changements conformément à la règle delta comme:

Δw(n) = η * δ(n) * y(n).

ce récursif le calcul est continu, avec passage vers l'avant suivi du passage vers l'arrière pour chaque motif d'entrée jusqu'à ce que le réseau soit convergent.

apprentissage Supervisé paradigme d'une ANN est efficace et trouve des solutions à plusieurs linéaire et non-linéaire des problèmes tels que la classification, le contrôle des plantes, de la prévision, prédiction, la robotique, etc.

Apprentissage Non Supervisé

réseaux neuronaux auto-organisés apprendre utilisation d'un algorithme d'apprentissage non supervisé pour identifier les modèles cachés dans les données d'entrée non étiquetées. Il s'agit de la capacité d'apprendre et d'organiser l'information sans fournir de signal d'erreur pour évaluer la solution potentielle. Le manque d'orientation pour l'algorithme d'apprentissage dans l'apprentissage non supervisé peut parfois être avantageux, car il permet à l'algorithme de regarder en arrière pour les modèles qui n'ont pas déjà été examinés. Les principales caractéristiques des cartes Auto-Organisantes (SOM) sont::

1. il transforme un signal entrant de dimension arbitraire en une ou deux cartes dimensionnelles et effectuer cette transformation de façon adaptative
2. le réseau représente la structure d'avance avec un seul couche de calcul constituée de neurones disposés en rangées et colonne. À chaque étape de la représentation, chaque signal d'entrée est gardée dans un contexte approprié et,
3. neurones traitant de pièces étroitement liées des informations sont proches ensemble et ils communiquent par des connexions synaptiques.

la couche computationnelle est aussi appelée couche compétitive puisque les neurones de la couche rivalisent les uns avec les autres pour devenir actifs. Par conséquent, cet algorithme d'apprentissage est appelé algorithme concurrentiel. Algorithme non supervisé dans SOM travaux en trois phases:

Phase de concurrence:

pour chaque entrée modèle x , présenté au réseau, Produit intérieur avec le poids synaptique w est calculé et les neurones dans la couche compétitive trouve une fonction discriminante qui induisent la concurrence entre les neurones et le vecteur de poids synaptique qui est proche du vecteur d'entrée dans la distance euclidienne est annoncé comme gagnant dans la compétition. Ce neurone est appelé le neurone correspondant le mieux,

i.e. x = arg min ║x - w║.

Phase coopérative:

le neurone gagnant détermine le centre d'un quartier topologique h de neurones coopérants. Ceci est réalisé par l'interaction latérale d parmi les neurones coopératifs. Cette topologique quartier réduit sa taille sur une période de temps.

Phase D'adaptation:

permet au neurone gagnant et à ses neurones de voisinage d'augmenter leurs valeurs individuelles de la fonction discriminante par rapport au modèle d'entrée grâce à des ajustements de poids synaptiques appropriés,

 Δw = ηh(x)(x –w).

sur présentation répétée des schémas d'entraînement, les vecteurs de poids synaptiques ont tendance à suivre la distribution des schémas d'entrée en raison de la mise à jour du voisinage et ANN apprend donc sans superviseur.

modèle D'auto-organisation représente naturellement le comportement neuro-biologique, et est donc utilisé dans de nombreux monde réel des applications telles que le groupage, la reconnaissance vocale, la segmentation de la texture, le codage vectoriel, etc.

référence.

Apprentissage Supervisé: Il s'agit d'une tâche d'apprentissage automatique consistant à déduire une fonction à partir de données d'entraînement étiquetées.

Apprentissage Non Supervisé: Il s'agit d'une tâche d'apprentissage automatique consistant à déduire une fonction pour décrire une structure cachée à partir de données "non marquées" (une classification ou une catégorisation n'est pas incluse dans les observations).

Dans Apprentissage Supervisé nous savons ce que l'entrée et la sortie devrait être. Par exemple, compte tenu d'un ensemble de voitures. Nous devons trouver ceux qui sont rouges et ceux qui sont bleus.

alors que, l'apprentissage sans supervision est où nous devons trouver la réponse avec très peu ou sans aucune idée sur la façon dont la sortie devrait être. Par exemple, un apprenant pourrait être capable de construire un modèle qui détecte quand les gens sourient basé sur corrélation entre les motifs du visage et des mots comme "Pourquoi souriez-vous?".

Supervised learning peut étiqueter un nouvel élément dans l'un des labels trained basés sur l'apprentissage pendant la formation. Vous devez fournir un grand nombre de données de formation, de données de validation et de données d'essai. Si vous fournissez par exemple des vecteurs d'image de pixel de chiffres avec des données de formation avec des étiquettes, alors il peut identifier les numéros.

l'apprentissage non supervisé ne nécessite pas d'ensembles de données de formation. Dans l'apprentissage non supervisé, il peut regrouper des éléments dans différents groupes en fonction sur la différence entre les vecteurs en entrée. Si vous fournissez des vecteurs d'image de pixels de chiffres et lui demandez de classer en 10 catégories, il peut le faire. Mais il sait comment l'étiqueter car vous n'avez pas fourni des étiquettes de formation.

apprentissage supervisé est essentiellement où vous avez des variables d'entrée(x) et la variable de sortie (y) et utilisez l'algorithme pour apprendre la fonction de cartographie de l'entrée à la sortie. La raison pour laquelle nous avons appelé cela comme supervisé est parce que l'algorithme apprend de l'ensemble de données de formation, l'algorithme itérativement fait des prédictions sur les données de formation. Il y a deux types de supervision: la Classification et la régression. La Classification est quand la variable de sortie est une catégorie comme oui/non, vrai / faux. La régression est quand le résultat est des valeurs réelles comme la hauteur de la personne,la température, etc.

UN apprentissage supervisé est l'endroit où nous n'avons que des données d'entrée(X) et aucune des variables de sortie. Cela s'appelle un apprentissage non supervisé car, contrairement à l'apprentissage supervisé ci-dessus, il n'y a pas de réponses correctes et il n'y a pas d'enseignant. Les algorithmes sont laissés à eux-mêmes pour découvrir et présenter la structure intéressante des données.

Association.

L'apprentissage supervisé est essentiellement une technique dans laquelle les données de formation à partir desquelles la machine apprend est déjà étiqueté qui est supposé un classificateur de nombre simple pair impair où vous avez déjà classé les données pendant la formation . Par conséquent, il utilise des données "étiquetées".

apprendre sans supervision est au contraire une technique dans laquelle la machine elle-même étiquette les données . Ou vous pouvez dire que c'est le cas quand la machine apprend par elle-même à partir de zéro.

En Simple apprentissage Supervisé est le type de machine learning problème dans lequel nous avons des étiquettes et en utilisant des étiquettes de nous mettre en œuvre l'algorithme de régression et de classification .La Classification est appliquée lorsque notre production est comme sous la forme de 0 ou 1 ,vrai/faux,oui/non. et la régression est appliquée où dehors mettent une valeur réelle une telle maison du prix

apprentissage non supervisé est un type de machine problème d'apprentissage dans lequel nous n'avons pas d'étiquette signifie que nous avons seulement quelques données ,données non structurées et nous devons regrouper les données (regroupement de données)en utilisant divers algorithmes non supervisés

Apprentissage Assisté Par Ordinateur

"Le processus d'un algorithme d'apprentissage de la formation dataset et prévoir le résultat. "

précision de la sortie prévue directement proportionnelle aux données d'entraînement (Longueur)

apprentissage supervisé est où vous avez des variables d'entrée (x) (Ensemble de données de formation) et une variable de sortie (Y) (ensemble de données de test) et vous utilisez un algorithme pour apprendre le fonction de mappage de l'entrée à la sortie.

Y = f(X)

Grands types:

• Classification distincts (axe des y)
• prédictif (axe Y continu)

algorithmes:

• Algorithmes De Classification:

  Neural Networks  
  Naïve Bayes classifiers  
  Fisher linear discriminant  
  KNN 
  Decision Tree 
  Super Vector Machines
  

• Algorithmes Prédictifs:

  Nearest  neighbor  
  Linear Regression,Multi Regression 
  

domaines d'Application:

1. classifier les e-mails comme spam
2. Classement si le patient a maladie ou non

3. Reconnaissance Vocale

4. prédire le HR choisir le candidat particulier ou non

5. prédire le prix du marché boursier

apprentissage supervisé

vous avez l'entrée x et une sortie cible T. Donc vous formez l'algorithme pour généraliser aux parties manquantes. Il est supervisé parce que l'objectif est donné. Vous êtes le superviseur qui dit l'algorithme: pour l'exemple x, vous devriez sortir t!

apprentissage non supervisé

bien que la segmentation, le regroupement et la compression soient généralement comptés dans cette direction, j'ai du mal à trouver un bonne définition.

prenons auto-encodeurs pour la compression comme exemple. Lorsque vous n'avez que l'entrée x donné, c'est l'être humain ingénieur raconte comment l'algorithme que l'objectif est également de x. Dans un sens, ce n'est pas différente de l'apprentissage supervisé.

et pour le regroupement et la segmentation, Je ne sais pas trop si cela correspond vraiment à la définition de l'apprentissage machine (Voir autre question ).

apprentissage supervisé: vous avez étiqueté des données et devez apprendre de cela. E. g données de maison avec le prix et ensuite apprendre à prédire le prix

l'apprentissage sans supervision: vous devez trouver la tendance et ensuite prédire, aucune étiquette préalable donné. e.g différentes personnes dans la classe, puis une nouvelle personne vient donc quel groupe ces nouveaux étudiants appartiennent.