Innehåll

• Jämförelsediagram
• Definition av Supervised Learning
• Definition av oövervakat lärande
• Slutsats

Övervakat och oövervakat inlärning är maskininlärningsparadigmen som används för att lösa uppgiften genom att lära av erfarenhet och prestandamått. Det övervakade och oövervakade inlärningen skiljer sig huvudsakligen av det faktum att övervakat lärande involverar kartläggning från ingången till den väsentliga utgången. Tvärtom syftar inte tillsynsinlärning inte till att producera output som svar på den specifika ingången, utan det upptäcker mönster i data.

Dessa övervakade och oövervakade inlärningstekniker implementeras i olika applikationer såsom konstgjorda neurala nätverk, vilket är ett databehandlingssystem som innehåller ett stort antal i stort sett sammanlänkade processelement.

1. 1. Jämförelsediagram
   2. Definition
   3. Viktiga skillnader
   4. Slutsats

Jämförelsediagram

Grund för jämförelse	Övervakad inlärning	Oövervakat lärande
Grundläggande	Handlar med märkta data.	Hanterar omärkta data.
Beräkningskomplexitet	Hög	Låg
analyzation	Off-line	Realtid
Noggrannhet	Ger exakta resultat	Genererar måttliga resultat
Sub-domäner	Klassificering och regression	Clustering and Association regel gruvdrift

Definition av Supervised Learning

Övervakad inlärning metoden involverar utbildning av systemet eller maskinen där träningen sätts tillsammans med målmönstret (Outputmönster) till systemet för att utföra en uppgift. Vanligtvis övervakning innebär att observera och vägleda utförandet av uppgifterna, projektet och aktiviteten. Men, där övervakat lärande kan genomföras? Primärt implementeras det i maskininlärningen Regression and Cluster och Neural Network.

Hur utbildar vi en modell? Modellen styrs med hjälp av att ladda modellen med kunskapen, för att underlätta förutsägelsen av framtida instanser. Den använder märkta datasätt för utbildningen. De konstgjorda neurala nätverken inmatningsmönstret tränar nätverket som också är associerat med utgångsmönstret.

Definition av oövervakat lärande

Oövervakat lärande modellen innebär inte målutgången vilket innebär att ingen utbildning ges till systemet. Systemet måste lära sig på egen hand genom att bestämma och anpassa sig efter strukturella egenskaper i inmatningsmönstren. Den använder maskininlärningsalgoritmer som drar slutsatser om ommärkta data.

Det övervakade inlärningen fungerar på mer komplicerade algoritmer jämfört med det övervakade inlärningen eftersom vi har sällsynt eller ingen information om uppgifterna. Det skapar en mindre hanterbar miljö eftersom maskinen eller systemet är avsedda att skapa resultat för oss. Huvudsyftet med det oövervakade inlärningen är att söka enheter som grupper, kluster, dimensionalitetsminskning och utföra densitetsuppskattning.

1. Övervakad inlärningsteknik behandlar märkta data där utgångsdatamönstren är kända för systemet. I motsats till detta fungerar det oövervakade inlärningen med ommärkta data där utgången bara bygger på insamlingen av uppfattningar.
2. När det gäller komplexiteten är den övervakade inlärningsmetoden mindre komplex medan metoden utan tillsyn är mer komplicerad.
3. Det övervakade inlärningen kan också utföra offlineanalys medan icke-övervakat inlärning använder realtidsanalys.
4. Resultatet av den övervakade inlärningstekniken är mer exakt och pålitlig. Däremot skapar undervisning utan tillsyn måttliga men tillförlitliga resultat.
5. Klassificering och regression är de typer av problem som löses under den övervakade inlärningsmetoden. Omvänt inkluderar icke-övervakat lärande problem med gruvdrift och associerande gruvdrift.

Slutsats

Övervakat lärande är tekniken för att utföra en uppgift genom att tillhandahålla utbildning, input och output-mönster till systemen medan unsupervised learning är en självlärande teknik där systemet måste upptäcka inmatningspopulationens funktioner på egen hand och ingen tidigare uppsättning kategorier används.