Innehåll
F:
Vad är skillnaden mellan övervakat, oövervakat och halvövervakat lärande?
A:
Den viktigaste skillnaden mellan övervakat och oövervakat lärande i maskininlärning är användningen av träningsdata.
Övervakad inlärning använder exempeldata för att visa hur "korrekta" data ser ut. Uppgifterna är strukturerade för att visa utgångarna från givna ingångar.
En maskininlärningsalgoritm som klassificerar frukt kan ha bilder på frukt som äpplen, bananer, druvor och apelsiner som insatsvaror och namnen på dessa frukter som utgångar.
Ett verkligt exempel skulle vara Bayesianska skräppostfilter i program. Dessa filter tränas med exempel på s som betraktas som skräppost. Skräppostfiltret kan sedan söka efter vissa fraser som visas i s som förekommer i skräppost och flytta dem till en skräppostmapp.
Det är som att visa en människa hur man gör en ny uppgift. En person som gör datainmatning kan visas exempel på data i ett format som företaget vill ha och förväntas sedan följa dem.
Maskininlärningsprogram som använder övervakad inlärning upprepas många gånger med träningsdata. Resultaten kan vara imponerande när det verkligen kommer igång. Googles Gmail-spamfilter är mycket exakt eftersom det finns så många användare som utbildar det.
Oövervakat inlärning har inga tidigare utbildningsuppgifter. I vårt exempel på fruktklassificering kan en algoritm bara visas bilder av frukt och få besked om att klassificera dem.
Oövervakat inlärning har applikationer i marknadsundersökningar genom att lära sig kundköpvanor, eller säkerhet genom att övervaka hackingmönster.
Semiövervakad inlärning försöker ta en medelgrund genom att märka en del av uppgifterna. Till exempel kan äpplet och apelsinen märkas i fruktklassificeringsprogrammet, men banan och druvorna är det inte.
När någon av dessa algoritmer ska användas beror på vilken typ av data som används. Vissa uppgifter har stabila mönster, till exempel kreditkortsbedrägerier eller skräppost. Övervakat lärande är lämpligt för denna typ av uppgifter. Nätverksattacker är oförutsägbara och oövervakade eller halvövervakade inlärningsmetoder kan vara mer lämpliga.