Typer av Maskininlärning
Övervakad inlärning
Övervakad inlärning är en maskininlärningsteknik där modellen tränas på en märkt träningsmängd.
De mest populära uppgifterna inom övervakad inlärning är:
-
Regression (till exempel, förutsägelse av priset på ett hus): en träningsmängd märkt med andra huspriser krävs för detta;
-
Klassificering (till exempel, klassificering av e-post som skräppost/icke-skräppost): en träningsmängd märkt som skräppost/icke-skräppost krävs för detta.
Oövervakad inlärning
Oövervakad inlärning är en maskininlärningsteknik där modellen tränas på en omärkt träningsmängd.
De huvudsakliga uppgifterna inom oövervakad inlärning är klustring, avvikelsedetektering och dimensionsreduktion.
Klustring
Grupperar liknande datapunkter i kluster utan etiketter — till exempel att gruppera e-postmeddelanden utan att veta om de är skräppost eller inte.
Avvikelsedetektering
Identifierar datapunkter som avviker från normala mönster, såsom ovanliga kreditkortstransaktioner, utan att behöva bedrägerietiketter.
Dimensionsreduktion
Minskar antalet egenskaper samtidigt som viktig information bevaras — även detta utan 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.
Att träna en hund att hämta fungerar på liknande sätt som förstärkningsinlärning: bra handlingar ger en belöning, fel handlingar ger en bestraffning, och att framgångsrikt hämta bollen ger en större belöning, vilket förstärker det önskade beteendet.
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
Can you explain the differences between supervised, unsupervised, and reinforcement learning?
Can you give more real-world examples of each type of machine learning?
What are the main advantages and disadvantages of each learning type?
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 träningsmängd.
De mest populära uppgifterna inom övervakad inlärning är:
-
Regression (till exempel, förutsägelse av priset på ett hus): en träningsmängd märkt med andra huspriser krävs för detta;
-
Klassificering (till exempel, klassificering av e-post som skräppost/icke-skräppost): en träningsmängd märkt som skräppost/icke-skräppost krävs för detta.
Oövervakad inlärning
Oövervakad inlärning är en maskininlärningsteknik där modellen tränas på en omärkt träningsmängd.
De huvudsakliga uppgifterna inom oövervakad inlärning är klustring, avvikelsedetektering och dimensionsreduktion.
Klustring
Grupperar liknande datapunkter i kluster utan etiketter — till exempel att gruppera e-postmeddelanden utan att veta om de är skräppost eller inte.
Avvikelsedetektering
Identifierar datapunkter som avviker från normala mönster, såsom ovanliga kreditkortstransaktioner, utan att behöva bedrägerietiketter.
Dimensionsreduktion
Minskar antalet egenskaper samtidigt som viktig information bevaras — även detta utan 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.
Att träna en hund att hämta fungerar på liknande sätt som förstärkningsinlärning: bra handlingar ger en belöning, fel handlingar ger en bestraffning, och att framgångsrikt hämta bollen ger en större belöning, vilket förstärker det önskade beteendet.
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!
