L'aprenentatge supervisat i l'aprenentatge no supervisat són les dues tècniques d'aprenentatge automàtic. Però ambdues tècniques s'utilitzen en diferents escenaris i amb diferents conjunts de dades. A continuació es mostra l'explicació dels dos mètodes d'aprenentatge juntament amb la seva taula de diferències.
c programes
Aprenentatge automàtic supervisat:
L'aprenentatge supervisat és un mètode d'aprenentatge automàtic en què els models s'entrenen mitjançant dades etiquetades. En l'aprenentatge supervisat, els models han de trobar la funció de mapeig per mapar la variable d'entrada (X) amb la variable de sortida (Y).
L'aprenentatge supervisat necessita supervisió per entrenar el model, que és semblant a com un alumne aprèn coses en presència d'un professor. L'aprenentatge supervisat es pot utilitzar per a dos tipus de problemes: Classificació i Regressió .
Aprèn més Aprenentatge automàtic supervisat
Exemple: Suposem que tenim una imatge de diferents tipus de fruites. La tasca del nostre model d'aprenentatge supervisat és identificar els fruits i classificar-los en conseqüència. Per tant, per identificar la imatge en l'aprenentatge supervisat, donarem les dades d'entrada i de sortida, el que significa que entrenarem el model segons la forma, la mida, el color i el gust de cada fruita. Un cop finalitzada la formació, provarem el model donant el nou joc de fruites. El model identificarà la fruita i predirà la sortida mitjançant un algorisme adequat.
Aprenentatge automàtic no supervisat:
L'aprenentatge no supervisat és un altre mètode d'aprenentatge automàtic en què es dedueixen patrons de les dades d'entrada sense etiquetar. L'objectiu de l'aprenentatge no supervisat és trobar l'estructura i els patrons a partir de les dades d'entrada. L'aprenentatge no supervisat no necessita cap supervisió. En canvi, troba patrons a partir de les dades pel seu compte.
Aprèn més Aprenentatge automàtic no supervisat
L'aprenentatge no supervisat es pot utilitzar per a dos tipus de problemes: Agrupació i Associació .
Exemple: Per entendre l'aprenentatge no supervisat, utilitzarem l'exemple anterior. Per tant, a diferència de l'aprenentatge supervisat, aquí no oferirem cap supervisió al model. Només proporcionarem el conjunt de dades d'entrada al model i permetrem que el model trobi els patrons a partir de les dades. Amb l'ajuda d'un algorisme adequat, el model s'entrenarà i dividirà els fruits en diferents grups segons les característiques més semblants entre ells.
A continuació es presenten les principals diferències entre l'aprenentatge supervisat i l'aprenentatge no supervisat:
| Aprenentatge supervisat | Aprenentatge no supervisat |
|---|---|
| Els algorismes d'aprenentatge supervisat s'entrenen mitjançant dades etiquetades. | Els algorismes d'aprenentatge no supervisat s'entrenen utilitzant dades sense etiquetar. |
| El model d'aprenentatge supervisat pren comentaris directes per comprovar si prediu la sortida correcta o no. | El model d'aprenentatge no supervisat no requereix cap comentari. |
| El model d'aprenentatge supervisat prediu la sortida. | El model d'aprenentatge no supervisat troba els patrons ocults a les dades. |
| En l'aprenentatge supervisat, les dades d'entrada es proporcionen al model juntament amb la sortida. | En l'aprenentatge no supervisat, només es proporcionen dades d'entrada al model. |
| L'objectiu de l'aprenentatge supervisat és entrenar el model perquè pugui predir la sortida quan se li donen noves dades. | L'objectiu de l'aprenentatge no supervisat és trobar els patrons ocults i la informació útil del conjunt de dades desconegut. |
| L'aprenentatge supervisat necessita supervisió per entrenar el model. | L'aprenentatge no supervisat no necessita cap supervisió per entrenar el model. |
| L'aprenentatge supervisat es pot classificar en Classificació i Regressió problemes. | L'aprenentatge no supervisat es pot classificar en Agrupació i Associacions problemes. |
| L'aprenentatge supervisat es pot utilitzar en aquells casos en què coneixem l'entrada i les sortides corresponents. | L'aprenentatge no supervisat es pot utilitzar en aquells casos en què només disposem de dades d'entrada i no de dades de sortida corresponents. |
| El model d'aprenentatge supervisat produeix un resultat precís. | El model d'aprenentatge no supervisat pot donar un resultat menys precís en comparació amb l'aprenentatge supervisat. |
| L'aprenentatge supervisat no s'acosta a la veritable intel·ligència artificial, ja que en aquesta primera entrenem el model per a cada dada, i després només ell pot predir la sortida correcta. | L'aprenentatge no supervisat s'acosta més a la veritable intel·ligència artificial, ja que aprèn de la mateixa manera que un nen aprèn coses de la rutina diària amb les seves experiències. |
| Inclou diversos algorismes com ara la regressió lineal, la regressió logística, la màquina vectorial de suport, la classificació multiclasse, l'arbre de decisió, la lògica bayesiana, etc. | Inclou diversos algorismes com ara Clustering, KNN i algorisme Apriori. |