Innhold

• Sammenligningstabell
• Definisjon av veiledet læring
• Definisjon av uovervåket læring
• Konklusjon

Veiledet og uovervåket læring er maskinlæringsparadigmer som brukes til å løse oppgaveklassen ved å lære av erfaring og ytelsesmål. Overvåket læring og uovervåket læring skiller seg hovedsakelig ut ved at læring under veiledning involverer kartlegging fra innspill til essensiell utgang. Tvert imot, ikke overvåket læring tar ikke sikte på å produsere output i responsen fra den aktuelle inngangen, i stedet oppdager det mønstre i data.

Disse overvåkede og ikke-overvåkte læringsteknikkene implementeres i forskjellige applikasjoner som kunstige nevrale nettverk, som er et databehandlingssystem som inneholder et stort antall stort sett sammenkoblede prosesseringselementer.

1. 1. Sammenligningstabell
   2. Definisjon
   3. Viktige forskjeller
   4. Konklusjon

Sammenligningstabell

Grunnlag for sammenligning	Veiledet læring	Uovervåket læring
grunn~~POS=TRUNC	Handler med merkede data.	Håndterer umerkede data.
Beregningskompleksitet	Høy	Lav
analyzation	offline	Sanntids
nøyaktighet	Gir nøyaktige resultater	Gir moderat resultat
Sub-domener	Klassifisering og regresjon	Clustering and Association regjerer gruvedrift

Definisjon av veiledet læring

Veiledet læring metoden innebærer trening av systemet eller maskinen der opplæringssettet sammen med målmønsteret (Outputmønster) blir gitt til systemet for å utføre en oppgave. Overvåke vanligvis betyr å observere og lede utførelsen av oppgavene, prosjektet og aktiviteten. Men hvor veiledet læring kan implementeres? Primært implementeres det i maskinlæringen Regression and Cluster and Neural nettverk.

Hvordan trener vi en modell? Modellen blir veiledet ved hjelp av å laste modellen med kunnskapen, for å lette forutsigelsen av fremtidige forekomster. Den bruker merkede datasett for opplæringen. De kunstige nevrale nettverk inngangsmønsteret trener nettverket som også er assosiert med utgangsmønsteret.

Definisjon av uovervåket læring

Uovervåket læring modellen innebærer ikke målutgangen, noe som betyr at det ikke blir gitt noen opplæring til systemet. Systemet må lære av seg selv gjennom å bestemme og tilpasse seg i henhold til de strukturelle egenskapene i inputmønstrene. Den bruker maskinlæringsalgoritmer som trekker konklusjoner om umerkede data.

Uovervåket læring fungerer på mer kompliserte algoritmer sammenlignet med veiledet læring fordi vi har sjelden eller ingen informasjon om dataene. Det skaper et mindre håndterbart miljø ettersom maskinen eller systemet er ment å gi resultater for oss. Hovedmålet med den uovervåkte læringen er å søke etter enheter som grupper, klynger, reduksjon av dimensjonalitet og utføre tetthetsestimering.

1. Veiledet læringsteknikk omhandler de merkede dataene der outputdatamønstrene er kjent for systemet. I motsetning til den, fungerer ikke-overvåket læring med umerkede data der output bare er basert på samlingen av oppfatninger.
2. Når det gjelder kompleksiteten, er den veiledte læringsmetoden mindre kompleks, mens uovervåket læringsmetode er mer komplisert.
3. Den veiledede læringen kan også utføre offline analyse, mens uovervåket læring benytter sanntidsanalyse.
4. Utfallet av veiledet læringsteknikk er mer nøyaktig og pålitelig. I kontrast gir uovervåket læring moderate, men pålitelige resultater.
5. Klassifisering og regresjon er de typene problemer som løses under veiledet læringsmetode. Omvendt inkluderer ikke-overvåket læring problemer med gruvedrift og assosiative gruvedrift.

Konklusjon

Veiledet læring er teknikken for å utføre en oppgave ved å gi opplæring, input og output mønstre til systemene, mens unsupervised learning er en selvlærende teknikk der systemet må oppdage funksjonene til inputpopulasjonen av seg selv og ingen tidligere sett med kategorier er brukt.