Контролируемое и неконтролируемое обучение — в чем разница?
Машинное обучение и искусственный интеллект быстро меняют ландшафт функционирования организаций в мире. Эти области стали центром внимания бизнесменов и предпринимателей всех областей. Объем финансирования стартапов в области искусственного интеллекта за последний год вырос до 18,8 млрд долларов США. Еще интереснее то, что самая большая категория инвестиций в ИИ приходится на машинное обучение, которое является подобластью ИИ. Машинное обучение — это основа всех приложений ИИ.
От анализа данных до принятия независимых решений, основанных на прошлом опыте, машинное обучение используется, чтобы помочь организациям принимать обоснованные решения, но прежде чем что-либо из этого произойдет, алгоритмы и связанное с ними программное обеспечение должны быть соответствующим образом обучены, поэтому оно называется машинным обучением. . В этой статье мы увидим обзор машинного обучения и двух методов, используемых для обучения моделей машинного обучения.
Машинное обучение (МО)
Машинное обучение содержит алгоритмы и программы, которые позволяют компьютерным системам изучать задачи, которые можно выполнять определенным образом. Компьютеры или машины изучают задачу, используя образец/исторические данные процесса. алгоритм ищет функции, которые система принимает во внимание, и их важность в выходных данных, чтобы предсказать правильный ввод. постоянно выполняя задачу, алгоритм, наконец, находит способ предсказать результат с минимальной ошибкой.
Два метода, а именно обучение с учителем и обучение без учителя, широко используются для обучения программ машинного обучения. Оба широко используются для обучения программного обеспечения, но между ними есть существенные различия, которые полностью меняют способ функционирования обеих моделей. Давайте посмотрим на детали и различия между этими двумя методами.
Контролируемое обучение
Обучение с учителем можно считать эквивалентным обучению малыша ходить и так далее. Программное обеспечение будет иметь набор данных, а также соответствующие входные и выходные пары, которые могут сформировать обучающую модель для программного обеспечения. Линейная регрессия является примером контролируемого обучения, и в этом случае регрессия используется, когда выход представляет собой реальное число или количество, скажем, доллары или веса. Точно так же можно использовать модели классификации, если мы хотим, чтобы наш вывод был в разных категориях, таких как «рак» или «нет рака» и т. д.
Лучшее применение контролируемого обучения можно найти в распознавании речи и объектов, биоинформатике и обнаружении спама.
Неконтролируемое обучение
Неконтролируемое обучение состоит из методов обучения программного обеспечения ИИ без модели обучения. В первом сценарии, рассмотренном выше, у нас были входные переменные и несколько возможных выходов. Однако в неконтролируемом обучении у нас есть только набор данных, и программное обеспечение просматривает его по крупицам, анализируя все точки данных, а затем находя любые подходящие шаблоны, соответствующие набору данных………….
Читать всю историю на https://autome.me 11 января 2020 г.
