Perbedaan antara pembelajaran mesin yang diawasi dan tanpa pengawasan

Perbedaan utama - Diawasi vs Tidak diawasi Pembelajaran mesin
 

Pembelajaran yang diawasi dan pembelajaran tanpa pengawasan adalah dua konsep inti dari pembelajaran mesin. Pembelajaran yang diawasi adalah tugas pembelajaran mesin untuk mempelajari fungsi yang memetakan input ke output berdasarkan contoh pasangan input-output input. Pembelajaran tanpa pengawasan adalah tugas pembelajaran mesin untuk menyimpulkan fungsi untuk menggambarkan struktur tersembunyi dari data yang tidak berlabel. Itu perbedaan utama Antara pembelajaran mesin yang diawasi dan tanpa pengawasan adalah itu Pembelajaran yang diawasi menggunakan data berlabel saat pembelajaran tanpa pengawasan menggunakan data yang tidak berlabel.

Pembelajaran mesin adalah bidang dalam ilmu komputer yang memberikan kemampuan sistem komputer untuk belajar dari data tanpa diprogram secara eksplisit. Ini memungkinkan untuk menganalisis data dan memprediksi pola di dalamnya. Ada banyak aplikasi pembelajaran mesin. Beberapa dari mereka adalah pengakuan wajah, pengakuan gerakan, dan pengakuan ucapan. Ada berbagai algoritma yang terkait dengan pembelajaran mesin. Beberapa dari mereka adalah regresi, klasifikasi dan pengelompokan. Bahasa pemrograman yang paling umum untuk mengembangkan aplikasi berbasis pembelajaran mesin adalah R dan Python. Bahasa lain seperti Java, C ++ dan Matlab juga dapat digunakan.

ISI

1. Ikhtisar dan Perbedaan Utama
2. Apa yang Diawasi Pembelajaran
3. Apa yang tidak diawasi pembelajaran
4. Kesamaan antara pembelajaran mesin yang diawasi dan tanpa pengawasan
5. Perbandingan berdampingan - Pembelajaran mesin yang diawasi dan tidak diawasi dalam bentuk tabel
6. Ringkasan

Apa yang Diawasi Pembelajaran?

Dalam sistem berbasis pembelajaran mesin, model ini bekerja sesuai dengan algoritma. Dalam pembelajaran yang diawasi, model ini diawasi. Pertama, diperlukan untuk melatih model. Dengan pengetahuan yang diperoleh, ini dapat memprediksi jawaban untuk contoh di masa depan. Model ini dilatih menggunakan dataset berlabel. Ketika data sampel yang keluar diberikan kepada sistem, itu dapat memprediksi hasilnya. Berikut ini adalah ekstrak kecil dari dataset iris populer.

Menurut tabel di atas, panjang sepal, lebar sepal, panjang patel, lebar patel dan spesies disebut atribut. Kolom dikenal sebagai fitur. Satu baris memiliki data untuk semua atribut. Oleh karena itu, satu baris disebut pengamatan. Data bisa menjadi numerik atau kategori. Model diberikan pengamatan dengan nama spesies yang sesuai sebagai input. Ketika pengamatan baru diberikan, model harus memprediksi jenis spesies yang berasal.

Dalam pembelajaran yang diawasi, ada algoritma untuk klasifikasi dan regresi. Klasifikasi adalah proses mengklasifikasikan data berlabel. Model menciptakan batasan yang memisahkan kategori data. Saat data baru disediakan untuk model, itu dapat dikategorikan berdasarkan di mana titik ada. Tetangga K-Nearest (KNN) adalah model klasifikasi. Bergantung pada nilai k, kategorinya diputuskan. Misalnya, ketika k adalah 5, jika titik data tertentu mendekati delapan titik data dalam kategori A dan enam titik data dalam kategori B, maka titik data akan diklasifikasikan sebagai a.

Regresi adalah proses memprediksi tren data sebelumnya untuk memprediksi hasil data baru. Dalam regresi, output dapat terdiri dari satu atau lebih variabel kontinu. Prediksi dilakukan dengan menggunakan garis yang mencakup sebagian besar titik data. Model regresi paling sederhana adalah regresi linier. Itu cepat dan tidak memerlukan parameter tuning seperti di knn.  Jika data menunjukkan tren parabola, maka model regresi linier tidak cocok.

Itulah beberapa contoh algoritma pembelajaran yang diawasi. Secara umum, hasil yang dihasilkan dari metode pembelajaran yang diawasi lebih akurat dan dapat diandalkan karena data input sudah diketahui dan diberi label. Oleh karena itu, mesin hanya harus menganalisis pola tersembunyi.

Apa yang tidak diawasi pembelajaran?

Dalam pembelajaran tanpa pengawasan, model ini tidak diawasi. Model bekerja sendiri, untuk memprediksi hasilnya. Ini menggunakan algoritma pembelajaran mesin untuk sampai pada kesimpulan pada data yang tidak berlabel. Secara umum, algoritma pembelajaran yang tidak diawasi lebih sulit daripada algoritma pembelajaran yang diawasi karena ada beberapa informasi. Clustering adalah jenis pembelajaran tanpa pengawasan. Ini dapat digunakan untuk mengelompokkan data yang tidak diketahui menggunakan algoritma. K-Mean dan pengelompokan berbasis kepadatan adalah dua algoritma pengelompokan.

Algoritma K-Mean, menempatkan k centroid secara acak untuk setiap cluster. Maka setiap titik data ditetapkan ke centroid terdekat. Jarak Euclidean digunakan untuk menghitung jarak dari titik data ke centroid. Titik data diklasifikasikan ke dalam kelompok. Posisi untuk kentroid K dihitung lagi. Posisi centroid baru ditentukan oleh rata -rata semua titik dalam grup. Sekali lagi setiap titik data ditetapkan ke centroid terdekat. Proses ini berulang hingga centroid tidak lagi berubah. K-Mean adalah algoritma pengelompokan cepat, tetapi tidak ada inisialisasi tertentu dari titik pengelompokan. Juga, ada variasi tinggi model pengelompokan berdasarkan inisialisasi titik cluster.

Algoritma pengelompokan lainnya adalah Pengelompokan berbasis kepadatan. Ini juga dikenal sebagai aplikasi pengelompokan spasial berbasis kepadatan dengan noise. Ini bekerja dengan mendefinisikan cluster sebagai set maksimum titik terhubung kepadatan. Mereka adalah dua parameter yang digunakan untuk pengelompokan berbasis kepadatan. Mereka adalah ɛ (epsilon) dan poin minimum. Ɛ adalah jari -jari maksimum lingkungan. Poin minimum adalah jumlah minimum poin di lingkungan ɛ untuk mendefinisikan cluster. Itulah beberapa contoh pengelompokan yang termasuk dalam pembelajaran tanpa pengawasan.

Secara umum, hasil yang dihasilkan dari algoritma pembelajaran tanpa pengawasan tidak banyak akurat dan dapat diandalkan karena mesin harus mendefinisikan dan memberi label data input sebelum menentukan pola dan fungsi tersembunyi.

Apa kesamaan antara pembelajaran mesin yang diawasi dan tanpa pengawasan?

• Pembelajaran yang diawasi dan tidak diawasi adalah jenis pembelajaran mesin.

Apa perbedaan antara pembelajaran mesin yang diawasi dan tanpa pengawasan?

Ringkasan -Diawasi vs Tidak diawasi Pembelajaran mesin

Pembelajaran yang diawasi dan pembelajaran tanpa pengawasan adalah dua jenis pembelajaran mesin. Pembelajaran yang diawasi adalah tugas pembelajaran mesin untuk mempelajari fungsi yang memetakan input ke output berdasarkan contoh pasangan input-output. Pembelajaran tanpa pengawasan adalah tugas pembelajaran mesin untuk menyimpulkan fungsi untuk menggambarkan struktur tersembunyi dari data yang tidak berlabel. Perbedaan antara pembelajaran mesin yang diawasi dan yang tidak diawasi adalah bahwa pembelajaran yang diawasi menggunakan data berlabel sementara condong tanpa pengawasan menggunakan data yang tidak berlabel data.

Referensi:

1.ThebigdataUniversity. Pembelajaran Mesin - Pembelajaran yang diawasi vs tanpa pengawasan, kelas kognitif, 13 Mar. 2017. Tersedia disini 
2.“Pembelajaran tanpa pengawasan.”Wikipedia, Wikimedia Foundation, 20 Mar. 2018. Tersedia disini 
3.“Pembelajaran yang diawasi.”Wikipedia, Wikimedia Foundation, 15 Mar. 2018. Tersedia disini

Gambar milik:

1.'2729781' oleh GDJ (domain publik) melalui Pixabay