تفاوت کلیدی – یادگیری ماشینی تحت نظارت و بدون نظارت
یادگیری با نظارت و یادگیری بدون نظارت دو مفهوم اصلی یادگیری ماشین هستند. یادگیری نظارت شده یک کار یادگیری ماشینی برای یادگیری یک تابع است که یک ورودی را به یک خروجی بر اساس مثال جفت ورودی-خروجی نگاشت می کند. یادگیری بدون نظارت وظیفه یادگیری ماشینی است که تابعی را برای توصیف ساختار پنهان از داده‌های بدون برچسب استنتاج می‌کند. تفاوت اصلی بین یادگیری ماشینی تحت نظارت و بدون نظارت این است که یادگیری نظارت شده از داده های برچسب دار استفاده می کند در حالی که یادگیری بدون نظارت از داده های بدون برچسب استفاده می کند.
Machine Learning رشته ای در علوم کامپیوتر است که به یک سیستم کامپیوتری این امکان را می دهد که از داده ها بدون برنامه ریزی صریح یاد بگیرد.امکان تجزیه و تحلیل داده ها و پیش بینی الگوهای موجود در آن را فراهم می کند. کاربردهای زیادی برای یادگیری ماشین وجود دارد. برخی از آنها تشخیص چهره، تشخیص حرکات و تشخیص گفتار هستند. الگوریتم های مختلفی در رابطه با یادگیری ماشین وجود دارد. برخی از آنها رگرسیون، طبقه بندی و خوشه بندی هستند. رایج ترین زبان های برنامه نویسی برای توسعه برنامه های کاربردی مبتنی بر یادگیری ماشینی R و Python هستند. زبان های دیگر مانند جاوا، سی پلاس پلاس و متلب نیز قابل استفاده هستند.
یادگیری تحت نظارت چیست؟
در سیستم های مبتنی بر یادگیری ماشین، این مدل بر اساس یک الگوریتم کار می کند. در یادگیری نظارت شده، مدل تحت نظارت است. ابتدا باید مدل را آموزش داد. با دانش به دست آمده می تواند پاسخ هایی را برای نمونه های آینده پیش بینی کند. این مدل با استفاده از مجموعه داده برچسب‌گذاری شده آموزش داده می‌شود. هنگامی که یک داده خارج از نمونه به سیستم داده می شود، می تواند نتیجه را پیش بینی کند. در زیر عصاره کوچکی از مجموعه داده محبوب IRIS آمده است.
طبق جدول بالا، طول کاسبرگ، عرض کاسبرگ، طول کشکک، پهنای کشکک و گونه‌ها صفت نامیده می‌شوند. ستون ها به عنوان ویژگی شناخته می شوند. یک ردیف دارای داده برای همه ویژگی ها است. بنابراین، یک ردیف را مشاهده می نامند. داده ها می توانند عددی یا مقوله ای باشند. مدل مشاهدات با نام گونه مربوطه به عنوان ورودی داده می شود. هنگامی که یک مشاهده جدید ارائه می شود، مدل باید نوع گونه ای را که به آن تعلق دارد پیش بینی کند.
در یادگیری نظارت شده، الگوریتم هایی برای طبقه بندی و رگرسیون وجود دارد. طبقه بندی فرآیند طبقه بندی داده های برچسب گذاری شده است. مدل مرزهایی ایجاد کرد که دسته بندی داده ها را از هم جدا می کرد. هنگامی که داده های جدیدی به مدل ارائه می شود، می تواند بر اساس جایی که نقطه وجود دارد دسته بندی کند. K-Nearest Neighbors (KNN) یک مدل طبقه بندی است. بسته به مقدار k، مقوله تعیین می شود. به عنوان مثال، وقتی k 5 باشد، اگر یک نقطه داده خاص نزدیک به هشت نقطه داده در رده A و شش نقطه داده در دسته B باشد، آنگاه نقطه داده به عنوان A طبقه بندی می شود.
رگرسیون فرآیند پیش‌بینی روند داده‌های قبلی برای پیش‌بینی نتیجه داده‌های جدید است. در رگرسیون، خروجی می تواند شامل یک یا چند متغیر پیوسته باشد. پیش بینی با استفاده از خطی انجام می شود که بیشتر نقاط داده را پوشش می دهد. ساده ترین مدل رگرسیون، رگرسیون خطی است. سریع است و به پارامترهای تنظیم مانند KNN نیاز ندارد. اگر داده ها روند سهمی را نشان دهند، مدل رگرسیون خطی مناسب نیست.
اینها نمونه هایی از الگوریتم های یادگیری تحت نظارت هستند. به طور کلی، نتایج حاصل از روش‌های یادگیری نظارت شده دقیق‌تر و قابل اعتمادتر هستند زیرا داده‌های ورودی به خوبی شناخته شده و برچسب‌گذاری شده‌اند. بنابراین، ماشین باید فقط الگوهای پنهان را تجزیه و تحلیل کند.
یادگیری بدون نظارت چیست؟
در یادگیری بدون نظارت، مدل نظارت نمی شود. این مدل به تنهایی کار می کند تا نتایج را پیش بینی کند. از الگوریتم های یادگیری ماشینی برای نتیجه گیری در مورد داده های بدون برچسب استفاده می کند. به طور کلی، الگوریتم های یادگیری بدون نظارت سخت تر از الگوریتم های یادگیری نظارت شده هستند زیرا اطلاعات کمی وجود دارد. خوشه بندی نوعی یادگیری بدون نظارت است. می توان از آن برای گروه بندی داده های ناشناخته با استفاده از الگوریتم ها استفاده کرد. k-mean و خوشه بندی مبتنی بر چگالی دو الگوریتم خوشه بندی هستند.
الگوریتم k-mean، k مرکز را به طور تصادفی برای هر خوشه قرار می دهد. سپس هر نقطه داده به نزدیکترین مرکز تخصیص داده می شود. فاصله اقلیدسی برای محاسبه فاصله از نقطه داده تا مرکز استفاده می شود. نقاط داده به گروه ها طبقه بندی می شوند. موقعیت برای k مرکز دوباره محاسبه می شود. موقعیت مرکز جدید با میانگین تمام نقاط گروه تعیین می شود. مجدداً هر نقطه داده به نزدیکترین مرکز تخصیص داده می شود.این روند تا زمانی تکرار می شود که مرکزها دیگر تغییر نکنند. k-mean یک الگوریتم خوشه بندی سریع است، اما هیچ مقدار اولیه مشخصی برای نقاط خوشه بندی وجود ندارد. همچنین، تنوع زیادی از مدل‌های خوشه‌بندی بر اساس مقداردهی اولیه نقاط خوشه وجود دارد.
یکی دیگر از الگوریتم های خوشه بندی، خوشه بندی مبتنی بر چگالی است. همچنین به عنوان برنامه های خوشه بندی فضایی مبتنی بر چگالی با نویز شناخته می شود. با تعریف یک خوشه به عنوان مجموعه حداکثر چگالی نقاط متصل کار می کند. آنها دو پارامتر هستند که برای خوشه بندی بر اساس چگالی استفاده می شوند. آنها Ɛ (epsilon) و حداقل امتیاز هستند. Ɛ حداکثر شعاع محله است. حداقل امتیاز، حداقل تعداد نقاط در همسایگی Ɛ برای تعریف یک خوشه است. اینها نمونه هایی از خوشه بندی هستند که در یادگیری بدون نظارت قرار می گیرند.
به طور کلی، نتایج حاصل از الگوریتم‌های یادگیری بدون نظارت چندان دقیق و قابل اعتماد نیستند، زیرا ماشین باید داده‌های ورودی را قبل از تعیین الگوها و توابع پنهان تعریف و برچسب‌گذاری کند.
شباهت بین یادگیری ماشینی تحت نظارت و بدون نظارت چیست؟
هر دو یادگیری تحت نظارت و بدون نظارت انواعی از یادگیری ماشینی هستند
تفاوت بین یادگیری ماشینی تحت نظارت و بدون نظارت چیست؟
نظارت در مقابل یادگیری ماشینی بدون نظارت |
|
| Supervised Learning وظیفه یادگیری ماشینی یادگیری تابعی است که یک ورودی را به یک خروجی بر اساس نمونه جفت ورودی-خروجی نگاشت می کند. | یادگیری بدون نظارت وظیفه یادگیری ماشینی است که تابعی را برای توصیف ساختار پنهان از داده‌های بدون برچسب استنتاج می‌کند. |
| عملکرد اصلی | |
| در یادگیری نظارت شده، مدل نتیجه را بر اساس داده های ورودی برچسب گذاری شده پیش بینی می کند. | در یادگیری بدون نظارت، مدل نتیجه را بدون داده های برچسب دار با شناسایی الگوها به تنهایی پیش بینی می کند. |
| دقت نتایج | |
| نتایج ایجاد شده از روش های یادگیری نظارت شده دقیق تر و قابل اعتمادتر هستند. | نتایج حاصل از روش های یادگیری بدون نظارت چندان دقیق و قابل اعتماد نیستند. |
| الگوریتم های اصلی | |
| الگوریتم هایی برای رگرسیون و طبقه بندی در یادگیری نظارت شده وجود دارد. | الگوریتم هایی برای خوشه بندی در یادگیری بدون نظارت وجود دارد. |
خلاصه - یادگیری ماشینی تحت نظارت در مقابل بدون نظارت
یادگیری با نظارت و یادگیری بدون نظارت دو نوع یادگیری ماشینی هستند.یادگیری نظارت شده، وظیفه یادگیری ماشینی یادگیری تابعی است که یک ورودی را به یک خروجی بر اساس نمونه جفت ورودی-خروجی نگاشت می کند. یادگیری بدون نظارت، وظیفه یادگیری ماشینی استنباط تابعی برای توصیف ساختار پنهان از داده های بدون برچسب است. تفاوت بین یادگیری ماشینی تحت نظارت و بدون نظارت این است که یادگیری نظارت شده از داده های برچسب دار استفاده می کند در حالی که تمایل بدون نظارت از داده های بدون برچسب استفاده می کند.
