Typer av maskininlärning
Övervakad inlärning
Övervakad inlärning är en maskininlärningsteknik där modellen tränas på en märkt träningsuppsättning.
De mest populära uppgifterna inom övervakad inlärning är:
-
Regression (till exempel att förutsäga priset på ett hus): du behöver en träningsuppsättning märkt med andra huspriser för detta;
-
Klassificering (till exempel att klassificera e-post som skräppost/icke-skräppost): du behöver en träningsuppsättning märkt som skräppost/icke-skräppost för detta.
Oövervakad inlärning
Oövervakad inlärning är en maskininlärningsteknik där modellen tränas på en otaggad träningsmängd.
De mest populära uppgifterna inom oövervakad inlärning är klustring, avvikelsedetektering och dimensionsreduktion.
Klustring
En process där liknande datapunkter grupperas i kluster. Det krävs ingen märkning av data för detta. Till exempel kan en träningsmängd med e-post utan etiketter för spam/ham användas.
Avvikelsedetektering
En process för att identifiera avvikelser från normalt datamönster. Till exempel vid upptäckt av bedrägerier i kreditkortstransaktioner. Det behövs ingen märkning för bedrägeri/inte bedrägeri. Ge helt enkelt transaktionsinformationen till en modell som avgör om transaktionen avviker.
Dimensionsreduktion
En process för att minska antalet dimensioner samtidigt som så mycket relevant information som möjligt bevaras. Det krävs inte heller några etiketter.
Förstärkningsinlärning
Förstärkningsinlärning skiljer sig avsevärt från de två tidigare typerna. Det är en teknik som används för att träna självkörande fordon, robotar, AI inom spel och mer.
Förstärkningsinlärning är en maskininlärningsteknik där agenten (t.ex. robotdammsugare) lär sig genom att fatta beslut och får en belöning om beslutet är korrekt och en bestraffning om beslutet är felaktigt.
Föreställ dig att träna en hund att hämta en boll. Hunden skulle få en belöning (såsom en godbit eller beröm) för att plocka upp bollen och ta den närmare ägaren. Den skulle få en bestraffning (såsom att inte få godbiten eller en besviken ton) om den springer åt fel håll eller blir distraherad. Dessutom skulle den få en stor belöning när den framgångsrikt hämtar bollen och levererar den till ägaren.
1. För att träna en ML-modell för en övervakad inlärningsuppgift krävs att träningsuppsättningen innehåller målvariabel (är märkt). Är det korrekt?
2. För att träna en ML-modell för en oövervakad inlärningsuppgift krävs det inte att träningsuppsättningen innehåller en målvariabel (är märkt). Är det korrekt?
Tack för dina kommentarer!
Fråga AI
Fråga AI
Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal
Awesome!
Completion rate improved to 3.13Typer av maskininlärning
Svep för att visa menyn
Övervakad inlärning
Övervakad inlärning är en maskininlärningsteknik där modellen tränas på en märkt träningsuppsättning.
De mest populära uppgifterna inom övervakad inlärning är:
-
Regression (till exempel att förutsäga priset på ett hus): du behöver en träningsuppsättning märkt med andra huspriser för detta;
-
Klassificering (till exempel att klassificera e-post som skräppost/icke-skräppost): du behöver en träningsuppsättning märkt som skräppost/icke-skräppost för detta.
Oövervakad inlärning
Oövervakad inlärning är en maskininlärningsteknik där modellen tränas på en otaggad träningsmängd.
De mest populära uppgifterna inom oövervakad inlärning är klustring, avvikelsedetektering och dimensionsreduktion.
Klustring
En process där liknande datapunkter grupperas i kluster. Det krävs ingen märkning av data för detta. Till exempel kan en träningsmängd med e-post utan etiketter för spam/ham användas.
Avvikelsedetektering
En process för att identifiera avvikelser från normalt datamönster. Till exempel vid upptäckt av bedrägerier i kreditkortstransaktioner. Det behövs ingen märkning för bedrägeri/inte bedrägeri. Ge helt enkelt transaktionsinformationen till en modell som avgör om transaktionen avviker.
Dimensionsreduktion
En process för att minska antalet dimensioner samtidigt som så mycket relevant information som möjligt bevaras. Det krävs inte heller några etiketter.
Förstärkningsinlärning
Förstärkningsinlärning skiljer sig avsevärt från de två tidigare typerna. Det är en teknik som används för att träna självkörande fordon, robotar, AI inom spel och mer.
Förstärkningsinlärning är en maskininlärningsteknik där agenten (t.ex. robotdammsugare) lär sig genom att fatta beslut och får en belöning om beslutet är korrekt och en bestraffning om beslutet är felaktigt.
Föreställ dig att träna en hund att hämta en boll. Hunden skulle få en belöning (såsom en godbit eller beröm) för att plocka upp bollen och ta den närmare ägaren. Den skulle få en bestraffning (såsom att inte få godbiten eller en besviken ton) om den springer åt fel håll eller blir distraherad. Dessutom skulle den få en stor belöning när den framgångsrikt hämtar bollen och levererar den till ägaren.
1. För att träna en ML-modell för en övervakad inlärningsuppgift krävs att träningsuppsättningen innehåller målvariabel (är märkt). Är det korrekt?
2. För att träna en ML-modell för en oövervakad inlärningsuppgift krävs det inte att träningsuppsättningen innehåller en målvariabel (är märkt). Är det korrekt?
Tack för dina kommentarer!
