En el contexto de aprendizaje de máquina, ¿cuál es la diferencia entre aprendizaje no supervisado, aprendizaje supervisado y las actividades de aprendizaje?
Y ¿cuáles son algunos de los principales enfoques algorítmicos para mirar?
Respuestas
¿Demasiados anuncios?
En general, los problemas de aprendizaje de la máquina puede ser considerado variaciones en la estimación de la función de clasificación, predicción o de modelado.
En el aprendizaje supervisado uno está amueblado con entrada (x1, x2, . .,) y de salida (y1, y2, . .,) y se enfrentan al reto de encontrar una función que se aproxime a este comportamiento en un generalizable de la moda. La salida podría ser una clase de etiqueta (en la clasificación) o un número real (en la regresión)-- estos son los "supervisión" en el aprendizaje supervisado.
En el caso de la supervisión de aprendizaje, en el caso base, que recibe entradas x1, x2, . ., pero ni el destino de las salidas, ni de las recompensas de su entorno. Basado en el problema (clasificar o predecir) y su conocimiento de fondo del espacio de la muestra, usted puede utilizar diferentes métodos: estimación de densidad (estimación de algunos subyacente de PDF para la predicción), k-means clustering (clasificación de etiqueta real de los valores de datos), k-modos de agrupamiento (clasificación de etiqueta de datos categóricos), etc.
Aprendizaje Semi-supervisado implica la estimación de la función de etiquetado y sin etiquetar de datos. Este enfoque está motivado por el hecho de que la etiqueta de datos es a menudo costosa para generar, mientras que la etiqueta de datos no es en general. El reto aquí en su mayoría consiste en la cuestión técnica de cómo tratar los datos mixtos en esto de la moda. Ver este Aprendizaje Semi-Supervisado Encuesta de Literatura para más detalles sobre el aprendizaje semi-supervisado métodos.
Además de estos tipos de aprendizaje, hay otros, como el refuerzo de aprendizaje mediante el cual el método de aprendizaje interactúa con su entorno mediante la producción de acciones a1, a2, . . .. que producen recompensas o castigos r1, r2, ...
Scott Cowan
Puntos
156
Aprendizaje No Supervisado
Sin supervisión de aprendizaje es cuando usted no tiene la etiqueta de datos disponibles para la formación. Ejemplos de esto son a menudo los métodos de agrupamiento.
Aprendizaje Supervisado
En este caso, sus datos de entrenamiento existe fuera de la etiqueta de datos. El problema a resolver aquí es a menudo la predicción de las etiquetas de los puntos de datos sin etiqueta.
Aprendizaje Semi-Supervisado
En este caso, ambos datos etiquetados y sin etiquetar los datos se utilizan. Este, por ejemplo, puede ser utilizado en la Profundidad de las redes de creencia, donde algunas capas son el aprendizaje de la estructura de los datos (sin supervisión) y una capa se utiliza para hacer la clasificación (entrenado con supervisada de datos)
Dori
Puntos
1325
No creo que la supervisado/no supervisado es la mejor manera de pensar acerca de ello. Básicos de la minería de datos, es mejor pensar acerca de lo que usted está tratando de hacer. Hay cuatro tareas principales:
la predicción. si la predicción de un número real, se denomina regresión. si la predicción de un número entero o de clase, se llama clasificación.
el modelado. el modelado es la misma como la predicción, pero el modelo es comprensible por los humanos. Redes neuronales y máquinas de vectores soporte de un gran trabajo, pero no producen comprensible modelos [1]. árboles de decisión y clásico de regresión lineal son ejemplos de fácil-a-entender los modelos.
la similitud. si usted está tratando de encontrar grupos naturales de atributos, se denomina factor de análisis. si usted está tratando de encontrar grupos naturales de observaciones, que es el llamado de la agrupación.
de la asociación. es muy parecido a una correlación, pero de enormes conjuntos de datos binarios.
[1] al Parecer, Goldman Sachs creó un montón de grandes redes neuronales para la predicción, pero nadie entendía, así que tenía que escribir otros programas para tratar de explicar las redes neuronales.
