Denetimli ve Denetimsiz öğrenme, makine öğreniminin iki tekniğidir. Ancak her iki teknik de farklı senaryolarda ve farklı veri kümeleriyle kullanılıyor. Aşağıda her iki öğrenme yönteminin açıklaması ve fark tablosu verilmiştir.
Denetimli Makine Öğrenimi:
Denetimli öğrenme, modellerin etiketli veriler kullanılarak eğitildiği bir makine öğrenme yöntemidir. Denetimli öğrenmede modellerin, giriş değişkenini (X) çıkış değişkeniyle (Y) eşlemek için eşleme işlevini bulması gerekir.
java'da örnek
Denetimli öğrenme, modeli eğitmek için denetime ihtiyaç duyar; bu, bir öğrencinin bir öğretmenin huzurunda bir şeyler öğrenmesine benzer. Denetimli öğrenme iki tür problem için kullanılabilir: sınıflandırma Ve Regresyon .
Daha fazla bilgi edin Denetimli Makine Öğrenimi
1 milyardan milyona
Örnek: Farklı meyve türlerinden oluşan bir görselimiz olduğunu varsayalım. Denetimli öğrenme modelimizin görevi meyveleri tanımlamak ve buna göre sınıflandırmaktır. Denetimli öğrenmede görüntüyü tanımlamak için girdi verilerinin yanı sıra çıktıyı da vereceğiz; bu da modeli her meyvenin şekline, boyutuna, rengine ve tadına göre eğiteceğimiz anlamına geliyor. Eğitim tamamlandıktan sonra yeni meyve setini vererek modeli test edeceğiz. Model, meyveyi tanımlayacak ve uygun bir algoritma kullanarak çıktıyı tahmin edecektir.
Denetimsiz Makine Öğrenimi:
Denetimsiz öğrenme, kalıpların etiketlenmemiş giriş verilerinden çıkarıldığı başka bir makine öğrenme yöntemidir. Denetimsiz öğrenmenin amacı, girdi verilerinden yapı ve kalıpları bulmaktır. Denetimsiz öğrenme herhangi bir denetime ihtiyaç duymaz. Bunun yerine verilerden kendi kalıplarını bulur.
Daha fazla bilgi edin Denetimsiz Makine Öğrenimi
masaüstü ini nedir
Denetimsiz öğrenme iki tür problem için kullanılabilir: Kümeleme Ve Dernek .
Örnek: Denetimsiz öğrenmeyi anlamak için yukarıda verilen örneği kullanacağız. Yani denetimli öğrenmeden farklı olarak burada modele herhangi bir denetim sağlamayacağız. Modele sadece girdi veri kümesini sağlayacağız ve modelin verilerden kalıpları bulmasına izin vereceğiz. Uygun bir algoritma yardımıyla model kendi kendini eğitecek ve meyveleri aralarında en benzer özelliklere göre farklı gruplara ayıracaktır.
Denetimli ve Denetimsiz öğrenme arasındaki temel farklar aşağıda verilmiştir:
| Denetimli Öğrenme | Denetimsiz Öğrenme |
|---|---|
| Denetimli öğrenme algoritmaları etiketli veriler kullanılarak eğitilir. | Denetimsiz öğrenme algoritmaları etiketlenmemiş veriler kullanılarak eğitilir. |
| Denetimli öğrenme modeli, doğru çıktıyı tahmin edip etmediğini kontrol etmek için doğrudan geri bildirim alır. | Denetimsiz öğrenme modeli herhangi bir geri bildirim almaz. |
| Denetimli öğrenme modeli çıktıyı tahmin eder. | Denetimsiz öğrenme modeli verilerdeki gizli kalıpları bulur. |
| Denetimli öğrenmede modele çıktıyla birlikte girdi verileri de sağlanır. | Denetimsiz öğrenmede modele yalnızca girdi verileri sağlanır. |
| Denetimli öğrenmenin amacı, modeli yeni veriler verildiğinde çıktıyı tahmin edebilecek şekilde eğitmektir. | Denetimsiz öğrenmenin amacı, bilinmeyen veri kümesinden gizli kalıpları ve faydalı bilgileri bulmaktır. |
| Denetimli öğrenmenin modeli eğitmek için denetime ihtiyacı vardır. | Denetimsiz öğrenmenin modeli eğitmek için herhangi bir denetime ihtiyacı yoktur. |
| Denetimli öğrenme şu şekilde kategorize edilebilir: sınıflandırma Ve Regresyon sorunlar. | Denetimsiz Öğrenme şu şekilde sınıflandırılabilir: Kümeleme Ve Dernekler sorunlar. |
| Denetimli öğrenme, girdiyi ve karşılık gelen çıktıları bildiğimiz durumlarda kullanılabilir. | Denetimsiz öğrenme, yalnızca girdi verisine sahip olduğumuz ve karşılık gelen çıktı verisinin bulunmadığı durumlarda kullanılabilir. |
| Denetimli öğrenme modeli doğru bir sonuç üretir. | Denetimsiz öğrenme modeli, denetimli öğrenmeye kıyasla daha az doğru sonuç verebilir. |
| Denetimli öğrenme gerçek Yapay zekaya yakın değildir, bu nedenle önce modeli her veri için eğitiriz ve daha sonra yalnızca o doğru çıktıyı tahmin edebilir. | Denetimsiz öğrenme, bir çocuğun günlük rutin şeyleri kendi deneyimleriyle öğrenmesine benzer şekilde öğrendiği için gerçek Yapay Zeka'ya daha yakındır. |
| Doğrusal Regresyon, Lojistik Regresyon, Destek Vektör Makinesi, Çok Sınıflı Sınıflandırma, Karar Ağacı, Bayes Mantığı vb. gibi çeşitli algoritmaları içerir. | Kümeleme, KNN ve Apriori algoritması gibi çeşitli algoritmaları içerir. |