Juhendatud ja järelevalveta õpe on kaks põhitüüpi masinõppe paradigma, mis teenivad andmete olemuse ja antud ülesande eesmärkide põhjal erinevaid eesmärke. Tõhusate masinõppemudelite väljatöötamisel on ülioluline mõista, millal kasutada juhendatud koolitust või ilma juhendamata koolitust. Valik nende kahe lähenemisviisi vahel sõltub märgistatud andmete saadavusest, soovitud tulemusest ja andmestiku aluseks olevast struktuurist.
Juhendatud õpe on masinõppe tüüp, mille puhul mudelit koolitatakse märgistatud andmestiku põhjal. Juhendatud õppes õpib algoritm sisestama sisendandmeid õigeks väljundiks, esitades talle koolitusnäiteid. Need koolitusnäited koosnevad sisend-väljund paaridest, kus sisendandmetega on kaasas vastav õige väljund või sihtväärtus. Juhendatud õppimise eesmärk on õppida sisendmuutujatest väljundmuutujateks kaardistamisfunktsiooni, mida saab seejärel kasutada nähtamatute andmete prognoosimiseks.
Juhendatud õppimist kasutatakse tavaliselt siis, kui soovitud väljund on teada ja eesmärk on õppida sisend- ja väljundmuutujate seost. Seda kasutatakse tavaliselt sellistes ülesannetes nagu klassifitseerimine, mille eesmärk on ennustada uute eksemplaride klassisilte, ja regressioon, mille eesmärk on ennustada pidevat väärtust. Näiteks saate juhendatud õppestsenaariumi korral õpetada mudelit ennustama, kas meil on rämpspost või mitte, lähtudes meili sisust ja eelmiste meilide märgistatud rämpsposti/mitterämpsposti olekust.
Teisest küljest on järelevalveta õpe masinõppe tüüp, mille puhul mudelit koolitatakse märgistamata andmestikul. Järelevalveta õppimisel õpib algoritm sisendandmetest mustreid ja struktuure ilma selgesõnalise tagasisideta õige väljundi kohta. Järelevalveta õppimise eesmärk on uurida andmete aluseks olevat struktuuri, avastada peidetud mustreid ja hankida sisukaid teadmisi, ilma et oleks vaja märgistatud andmeid.
Järelevalveta õppimist kasutatakse tavaliselt siis, kui eesmärk on uurida andmeid, leida peidetud mustreid ja rühmitada sarnaseid andmepunkte. Seda kasutatakse sageli sellistes ülesannetes nagu rühmitamine, mille eesmärk on rühmitada sarnased andmepunktid nende omaduste põhjal klastriteks, ja dimensioonide vähendamine, kus eesmärk on vähendada funktsioonide arvu, säilitades samal ajal andmetes olulist teavet. Näiteks järelevalveta õppestsenaariumi korral võite kasutada rühmitamist klientide rühmitamiseks nende ostukäitumise alusel ilma eelnevate teadmisteta kliendisegmentide kohta.
Valik juhendatud ja juhendamata õppe vahel sõltub mitmest tegurist. Kui teil on märgistatud andmestik ja soovite ennustada konkreetseid tulemusi, on juhendatud õpe sobiv valik. Teisest küljest, kui teil on sildistamata andmestik ja soovite uurida andmestruktuuri või leida peidetud mustreid, on järelevalveta õppimine sobivam. Mõnel juhul saab mõlema lähenemisviisi eeliste ärakasutamiseks kasutada nii juhendatud kui ka järelevalveta tehnikate kombinatsiooni, mida nimetatakse pooljuhitud õppimiseks.
Otsus kasutada masinõppes juhendatud koolitust või juhendamata koolitust sõltub märgistatud andmete saadavusest, ülesande olemusest ja soovitud tulemusest. Järelevalvega ja järelevalveta õppimise erinevuste mõistmine on oluline tõhusate masinõppemudelite väljatöötamiseks, mis võimaldavad hankida sisukaid teadmisi ja teha andmetest täpseid ennustusi.
Muud hiljutised küsimused ja vastused selle kohta EITC/AI/GCML Google Cloud Machine Learning:
- Mis on tekst kõneks (TTS) ja kuidas see AI-ga töötab?
- Millised on masinõppes suurte andmekogumitega töötamise piirangud?
- Kas masinõpe võib anda dialoogilist abi?
- Mis on TensorFlow mänguväljak?
- Mida suurem andmekogum tegelikult tähendab?
- Millised on mõned näited algoritmi hüperparameetritest?
- Mis on ansambliõpe?
- Mida teha, kui valitud masinõppealgoritm ei sobi ja kuidas valida õige?
- Kas masinõppemudel vajab koolituse ajal järelevalvet?
- Milliseid võtmeparameetreid kasutatakse närvivõrgupõhistes algoritmides?
Vaadake rohkem küsimusi ja vastuseid rakenduses EITC/AI/GCML Google Cloud Machine Learning
Veel küsimusi ja vastuseid:
- Väli: Tehisintellekt
- programm: EITC/AI/GCML Google Cloud Machine Learning (minge sertifitseerimisprogrammi)
- Õppetund: Sissejuhatus (minge seotud õppetundi)
- Teema: Mis on masinõpe (minge seotud teema juurde)