비지도,지도 및 반지도 학습

기계 학습의 맥락에서 차이점은 무엇입니까?

• 비지도 학습
• 지도 학습 및
• 반지도 학습?

그리고 살펴볼 주요 알고리즘 접근법은 무엇입니까?

일반적으로 기계 학습의 문제는 분류, 예측 또는 모델링을위한 함수 추정의 변형으로 간주 될 수 있습니다.

지도 학습 에서는 입력 ( $x_1$ , $x_2$ , ...,) 및 출력 ( $y_1$ , $y_2$ , ...,)이 제공되며 일반화 방식으로이 동작과 유사한 기능을 찾는 데 어려움을 겪습니다. 결과는 클래스 레이블 (분류) 또는 실수 (회귀) 일 수 있습니다. 이것은 감독 학습의 "감독"입니다.

$x_1$$x_2$

반 감독 학습 에는 레이블이있는 데이터와 레이블이없는 데이터에 대한 함수 추정이 포함됩니다. 레이블이없는 데이터는 일반적으로 생성되지 않지만 레이블이있는 데이터는 종종 생성하는 데 비용이 많이 들기 때문에 이러한 접근 방식이 동기가됩니다. 여기서 해결해야 할 과제는 이러한 방식으로 혼합 된 데이터를 처리하는 방법에 대한 기술적 문제입니다. 반 감독 학습 방법에 대한 자세한 내용 은이 반 감독 학습 문학 설문 조사 를 참조하십시오.

$a_1$$a_2$$r_1$$r_2$

비지도 학습

비지도 학습은 교육에 사용할 수있는 레이블이있는 데이터가 없을 때입니다. 이것의 예는 종종 클러스터링 방법입니다.

지도 학습

이 경우 교육 데이터에 레이블이 지정된 데이터가 없습니다. 여기서 해결해야 할 문제는 종종 레이블이없는 데이터 포인트의 레이블을 예측하는 것입니다.

반 감독 학습

이 경우 레이블이있는 데이터와 레이블이없는 데이터가 모두 사용됩니다. 예를 들어, 일부 계층은 데이터의 구조를 학습하고 (비 관리) 한 계층은 분류를 수행하는 데 사용되는 심층 네트워크에서 사용될 수 있습니다 (관리되는 데이터로 훈련).

감독 / 감독되지 않는 것이 최선의 방법이라고 생각하지 않습니다. 기본 데이터 마이닝의 경우 수행하려는 작업에 대해 생각하는 것이 좋습니다. 네 가지 주요 작업이 있습니다.

1. 예측. 실수를 예측하는 경우이를 회귀라고합니다. 정수 또는 클래스를 예측하는 경우이를 분류라고합니다.

2. 모델링. 모델링은 예측과 동일하지만 모델은 인간이 이해할 수 있습니다. 신경망과 서포트 벡터 머신은 훌륭하게 작동하지만 이해하기 쉬운 모델을 생성하지는 않습니다 [1]. 의사 결정 트리 및 클래식 선형 회귀는 이해하기 쉬운 모델의 예입니다.

3. 유사성. 자연스러운 속성 그룹을 찾으려고하는 경우이를 요인 분석이라고합니다. 자연스러운 관측 그룹을 찾으려면 클러스터링이라고합니다.

4. 협회. 상관 관계와 비슷하지만 막대한 이진 데이터 집합의 경우입니다.

[1] 분명히 골드만 삭스 (Goldman Sachs)는 예측을 위해 엄청난 양의 신경망을 만들었지 만 아무도 그것을 이해하지 못했기 때문에 신경망을 설명하기 위해 다른 프로그램을 작성해야했습니다.