Typer av maskinlæring
Overvåket læring
Overvåket læring er en maskinlæringsteknikk der modellen trenes på et merket treningssett.
De mest populære oppgavene innen overvåket læring er:
-
Regresjon (for eksempel, prediksjon av boligpris): et treningssett merket med andre boligpriser kreves for dette;
-
Klassifisering (for eksempel, klassifisering av e-post som spam/ham): et treningssett merket som spam/ham kreves for dette.
Uovervåket læring
Uovervåket læring er en maskinlæringsteknikk der modellen trenes på et utagget treningssett.
De mest populære oppgavene innen uovervåket læring er klynging, avviksdeteksjon og dimensjonsreduksjon.
Klynging
En prosess der lignende datapunkter grupperes i klynger. Det er ikke nødvendig å merke dataene for dette. For eksempel kan et treningssett med e-poster uten etiketter for spam/ham brukes.
Avviksdeteksjon
En prosess for å oppdage avvik fra normal datatferd. For eksempel svindeldeteksjon i kredittkorttransaksjoner. Det er ikke nødvendig å merke svindel/ikke svindel. Man gir bare transaksjonsinformasjonen til en modell, som avgjør om transaksjonen skiller seg ut.
Dimensjonsreduksjon
En prosess for å redusere antall dimensjoner samtidig som mest mulig relevant informasjon beholdes. Det kreves heller ingen etiketter.
Forsterkningslæring
Forsterkningslæring skiller seg betydelig fra de to foregående typene. Det er en teknikk som brukes til å trene selvkjørende kjøretøy, roboter, kunstig intelligens i spill og mer.
Forsterkningslæring er en maskinlæringsteknikk der agenten (for eksempel en robotstøvsuger) lærer ved å ta beslutninger og får en belønning hvis beslutningen er korrekt og en straff hvis beslutningen er feil.
Tenk deg å trene en hund til å hente en ball. Hunden vil motta en belønning (for eksempel en godbit eller ros) for å plukke opp ballen og bringe den nærmere eieren. Den vil få en straff (for eksempel å ikke få godbit eller en skuffet tone) hvis den løper i feil retning eller blir distrahert. I tillegg vil den få en stor belønning når den lykkes med å hente ballen og levere den til eieren.
1. For å trene en ML-modell for en overvåket læringsoppgave, må treningssettet inneholde målvariabel (være merket). Er dette korrekt?
2. For å trene en ML-modell for en ikke-overvåket læringsoppgave, er det ikke nødvendig at treningssettet inneholder en målvariabel (være merket). Er dette korrekt?
Takk for tilbakemeldingene dine!
Spør AI
Spør AI
Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår
Awesome!
Completion rate improved to 3.13Typer av maskinlæring
Sveip for å vise menyen
Overvåket læring
Overvåket læring er en maskinlæringsteknikk der modellen trenes på et merket treningssett.
De mest populære oppgavene innen overvåket læring er:
-
Regresjon (for eksempel, prediksjon av boligpris): et treningssett merket med andre boligpriser kreves for dette;
-
Klassifisering (for eksempel, klassifisering av e-post som spam/ham): et treningssett merket som spam/ham kreves for dette.
Uovervåket læring
Uovervåket læring er en maskinlæringsteknikk der modellen trenes på et utagget treningssett.
De mest populære oppgavene innen uovervåket læring er klynging, avviksdeteksjon og dimensjonsreduksjon.
Klynging
En prosess der lignende datapunkter grupperes i klynger. Det er ikke nødvendig å merke dataene for dette. For eksempel kan et treningssett med e-poster uten etiketter for spam/ham brukes.
Avviksdeteksjon
En prosess for å oppdage avvik fra normal datatferd. For eksempel svindeldeteksjon i kredittkorttransaksjoner. Det er ikke nødvendig å merke svindel/ikke svindel. Man gir bare transaksjonsinformasjonen til en modell, som avgjør om transaksjonen skiller seg ut.
Dimensjonsreduksjon
En prosess for å redusere antall dimensjoner samtidig som mest mulig relevant informasjon beholdes. Det kreves heller ingen etiketter.
Forsterkningslæring
Forsterkningslæring skiller seg betydelig fra de to foregående typene. Det er en teknikk som brukes til å trene selvkjørende kjøretøy, roboter, kunstig intelligens i spill og mer.
Forsterkningslæring er en maskinlæringsteknikk der agenten (for eksempel en robotstøvsuger) lærer ved å ta beslutninger og får en belønning hvis beslutningen er korrekt og en straff hvis beslutningen er feil.
Tenk deg å trene en hund til å hente en ball. Hunden vil motta en belønning (for eksempel en godbit eller ros) for å plukke opp ballen og bringe den nærmere eieren. Den vil få en straff (for eksempel å ikke få godbit eller en skuffet tone) hvis den løper i feil retning eller blir distrahert. I tillegg vil den få en stor belønning når den lykkes med å hente ballen og levere den til eieren.
1. For å trene en ML-modell for en overvåket læringsoppgave, må treningssettet inneholde målvariabel (være merket). Er dette korrekt?
2. For å trene en ML-modell for en ikke-overvåket læringsoppgave, er det ikke nødvendig at treningssettet inneholder en målvariabel (være merket). Er dette korrekt?
Takk for tilbakemeldingene dine!
