Ερ:
Ποια είναι η διαφορά μεταξύ μάθησης υπό επίβλεψη, χωρίς επίβλεψη και με επίβλεψη;
ΕΝΑ:Η βασική διαφορά μεταξύ της εποπτευόμενης και της μη εποπτευόμενης μάθησης στη μηχανική μάθηση είναι η χρήση δεδομένων κατάρτισης.
Η εποπτευόμενη μάθηση χρησιμοποιεί παραδείγματα δεδομένων για να δείξει ποια είναι τα "σωστά" δεδομένα. Τα δεδομένα είναι δομημένα ώστε να δείχνουν τις εξόδους των δεδομένων εισόδων.
Ένας αλγόριθμος μηχανικής μάθησης που ταξινομεί τα φρούτα μπορεί να έχει εικόνες φρούτων όπως μήλα, μπανάνες, σταφύλια και πορτοκάλια ως εισροές και τα ονόματα αυτών των φρούτων ως εξόδους.
Ένα πραγματικό παράδειγμα θα ήταν τα Bayesian φίλτρα spam στα προγράμματα ηλεκτρονικού ταχυδρομείου. Τα φίλτρα αυτά εκπαιδεύονται με παραδείγματα μηνυμάτων ηλεκτρονικού ταχυδρομείου που θεωρούνται ανεπιθύμητα. Το φίλτρο ανεπιθύμητης αλληλογραφίας μπορεί στη συνέχεια να αναζητήσει συγκεκριμένες φράσεις που εμφανίζονται σε μηνύματα ηλεκτρονικού ταχυδρομείου που εμφανίζονται σε μηνύματα ηλεκτρονικού ταχυδρομείου ανεπιθύμητης αλληλογραφίας και να τα μεταφέρουν σε φάκελο ανεπιθύμητης αλληλογραφίας
Είναι σαν να δείχνεις στον άνθρωπο πώς να κάνεις ένα νέο έργο. Ένα άτομο που κάνει την καταχώριση δεδομένων μπορεί να δει παραδείγματα των δεδομένων σε μια μορφή που επιθυμεί η εταιρεία και στη συνέχεια αναμένεται να την ακολουθήσει.
Τα προγράμματα εκμάθησης μηχανών που χρησιμοποιούν επίβλεψη εκμάθησης επαναλαμβάνονται πολλές φορές με τα δεδομένα εκπαίδευσης. Τα αποτελέσματα μπορεί να είναι εντυπωσιακά όταν πραγματικά γίνεται. Το φίλτρο ανεπιθύμητης αλληλογραφίας Gmail της Google είναι πολύ ακριβές, επειδή υπάρχουν πολλοί χρήστες που το εκπαιδεύουν.
Η μη επιτηρούμενη μάθηση δεν έχει προηγούμενα δεδομένα εκπαίδευσης. Στο παράδειγμα μας για την ταξινόμηση των καρπών, ένας αλγόριθμος θα μπορούσε απλώς να δείξει εικόνες φρούτων και να πει να τα ταξινομήσει.
Η μη εποπτευόμενη μάθηση έχει εφαρμογές στην έρευνα αγοράς με την εκμάθηση των αγοραστικών συνήθειες των πελατών ή την ασφάλεια μέσω της παρακολούθησης των μοντέλων hacking.
Η ημι-εποπτευόμενη μάθηση προσπαθεί να πάρει ένα μεσαίο έδαφος με την επισήμανση μερικών από τα δεδομένα. Για παράδειγμα, το μήλο και το πορτοκάλι μπορεί να επισημαίνονται στο πρόγραμμα ταξινόμησης των καρπών, αλλά η μπανάνα και τα σταφύλια δεν είναι.
Πότε να χρησιμοποιήσετε οποιονδήποτε από αυτούς τους αλγόριθμους θα εξαρτηθεί από τον τύπο των δεδομένων που χρησιμοποιούνται. Ορισμένες εργασίες έχουν σταθερά μοτίβα, όπως απάτες πιστωτικών καρτών ή μηνύματα spam. Η εποπτευόμενη μάθηση είναι κατάλληλη για τέτοιου είδους εργασίες. Οι επιθέσεις στο δίκτυο είναι απρόβλεπτες, ενώ οι μέθοδοι μάθησης χωρίς επίβλεψη ή ημι-εποπτεία μπορεί να είναι πιο κατάλληλες.
