یادگیری تحت نظارت و بدون نظارت دو نوع اساسی از پارادایم های یادگیری ماشینی هستند که اهداف مجزایی را بر اساس ماهیت داده ها و اهداف کار در دست انجام می دهند. درک زمان استفاده از آموزش نظارت شده در مقابل آموزش بدون نظارت در طراحی مدل های یادگیری ماشین موثر بسیار مهم است. انتخاب بین این دو رویکرد به در دسترس بودن دادههای برچسبگذاری شده، نتیجه مورد نظر و ساختار زیربنایی مجموعه داده بستگی دارد.
یادگیری نظارت شده نوعی از یادگیری ماشینی است که در آن مدل بر روی یک مجموعه داده برچسبگذاری شده آموزش داده میشود. در یادگیری نظارت شده، الگوریتم یاد می گیرد که با ارائه مثال های آموزشی، داده های ورودی را به خروجی صحیح نگاشت کند. این نمونههای آموزشی از جفتهای ورودی-خروجی تشکیل شدهاند که دادههای ورودی با خروجی صحیح یا مقدار هدف مربوطه همراه است. هدف از یادگیری تحت نظارت، یادگیری یک تابع نگاشت از متغیرهای ورودی به متغیرهای خروجی است، که سپس می تواند برای پیش بینی داده های دیده نشده استفاده شود.
یادگیری نظارت شده معمولاً زمانی استفاده می شود که خروجی مورد نظر شناخته شده باشد و هدف یادگیری رابطه بین متغیرهای ورودی و خروجی باشد. معمولاً در کارهایی مانند طبقهبندی، که در آن هدف پیشبینی برچسبهای کلاس نمونههای جدید است، و رگرسیون، جایی که هدف پیشبینی یک مقدار پیوسته است، استفاده میشود. به عنوان مثال، در یک سناریوی یادگیری نظارت شده، میتوانید مدلی را برای پیشبینی هرزنامه بودن یا نبودن ایمیل بر اساس محتوای ایمیل و وضعیت هرزنامه/غیر هرزنامه ایمیلهای قبلی آموزش دهید.
از سوی دیگر، یادگیری بدون نظارت نوعی از یادگیری ماشینی است که در آن مدل بر روی یک مجموعه داده بدون برچسب آموزش داده می شود. در یادگیری بدون نظارت، الگوریتم الگوها و ساختارها را از داده های ورودی بدون بازخورد صریح در مورد خروجی صحیح می آموزد. هدف از یادگیری بدون نظارت، کشف ساختار زیربنایی داده ها، کشف الگوهای پنهان و استخراج بینش های معنادار بدون نیاز به داده های برچسب دار است.
یادگیری بدون نظارت معمولاً زمانی استفاده می شود که هدف کاوش داده ها، یافتن الگوهای پنهان و گروه بندی نقاط داده مشابه با هم باشد. اغلب در کارهایی مانند خوشه بندی، که در آن هدف گروه بندی نقاط داده مشابه به خوشه ها بر اساس ویژگی های آنها، و کاهش ابعاد، که در آن هدف کاهش تعداد ویژگی ها در عین حفظ اطلاعات ضروری در داده ها است، استفاده می شود. به عنوان مثال، در یک سناریوی یادگیری بدون نظارت، میتوانید از خوشهبندی برای گروهبندی مشتریان بر اساس رفتار خرید آنها بدون هیچ دانش قبلی از بخشهای مشتری استفاده کنید.
انتخاب بین یادگیری تحت نظارت و بدون نظارت به عوامل مختلفی بستگی دارد. اگر یک مجموعه داده برچسب دار دارید و می خواهید نتایج خاصی را پیش بینی کنید، یادگیری تحت نظارت انتخاب مناسبی است. از طرف دیگر، اگر یک مجموعه داده بدون برچسب دارید و می خواهید ساختار داده را بررسی کنید یا الگوهای پنهان را بیابید، یادگیری بدون نظارت مناسب تر است. در برخی موارد، ترکیبی از هر دو تکنیک تحت نظارت و بدون نظارت، که به عنوان یادگیری نیمه نظارت شناخته می شود، می تواند برای استفاده از مزایای هر دو رویکرد استفاده شود.
تصمیم برای استفاده از آموزش نظارت شده در مقابل آموزش بدون نظارت در یادگیری ماشین به در دسترس بودن داده های برچسب گذاری شده، ماهیت کار و نتیجه مطلوب بستگی دارد. درک تفاوتهای بین یادگیری تحت نظارت و بدون نظارت برای طراحی مدلهای یادگیری ماشینی مؤثر که میتوانند بینشهای معناداری را استخراج کنند و پیشبینیهای دقیقی از دادهها انجام دهند، ضروری است.
سایر پرسش ها و پاسخ های اخیر در مورد EITC/AI/GCML Google Cloud Machine Learning:
- متن به گفتار (TTS) چیست و چگونه با هوش مصنوعی کار می کند؟
- محدودیت های کار با مجموعه داده های بزرگ در یادگیری ماشین چیست؟
- آیا یادگیری ماشینی می تواند کمک محاوره ای انجام دهد؟
- زمین بازی تنسورفلو چیست؟
- در واقع یک مجموعه داده بزرگتر به چه معناست؟
- چند نمونه از فراپارامترهای الگوریتم چیست؟
- یادگیری گروهی چیست؟
- اگر الگوریتم یادگیری ماشینی انتخاب شده مناسب نباشد چه میشود و چگونه میتوان از انتخاب درست آن مطمئن شد؟
- آیا یک مدل یادگیری ماشینی در طول آموزش نیاز به نظارت دارد؟
- پارامترهای کلیدی مورد استفاده در الگوریتم های مبتنی بر شبکه عصبی کدامند؟
سوالات و پاسخهای بیشتر را در EITC/AI/GCML Google Cloud Machine Learning مشاهده کنید