Q:
Hva er forskjellen mellom veiledet, uten tilsyn og halvveiledet læring?
EN:Den viktigste forskjellen mellom veiledet og uovervåket læring i maskinlæring er bruken av treningsdata.
Veiledet læring bruker eksempler på data for å vise hvordan "riktige" data ser ut. Dataene er strukturert for å vise utgangene til gitte innganger.
En maskinlæringsalgoritme som klassifiserer frukt kan ha bilder av frukt som epler, bananer, druer og appelsiner som input og navnene på disse fruktene som output.
Et ekte eksempel kan være de bayesiske spamfiltrene i e-postprogrammer. Disse filtrene trenes med eksempler på e-postmeldinger som regnes som spam. Spamfilteret kan deretter søke etter bestemte setninger som vises i e-postmeldinger som forekommer i spam-e-poster og flytte dem til en spam-mappe.
Det er som å vise et menneske hvordan man gjør en ny oppgave. En person som gjør dataregistrering kan vises eksempler på dataene i et format selskapet ønsker, og forventes deretter å følge dem.
Maskinlæringsprogrammer som bruker veiledet læring, gjentas mange ganger med treningsdataene. Resultatene kan være imponerende når det virkelig går i gang. Googles Gmail-spamfilter er veldig nøyaktig fordi det er så mange brukere som trener det.
Uovervåket læring har ikke tidligere opplæringsdata. I vårt fruktklassifiseringseksempel kan en algoritme bare vises bilder av frukt og få beskjed om å klassifisere dem.
Uovervåket læring har applikasjoner i markedsundersøkelser ved å lære kundens kjøpsvaner, eller sikkerhet ved å overvåke hackingmønstre.
Semi-veiledet læring forsøker å ta en midtbane ved å merke noen av dataene. For eksempel kan eplet og appelsinen være merket i fruktklassifiseringsprogrammet, men banan og druene er det ikke.
Når en av disse algoritmene skal brukes, vil avhenge av hvilken type data som brukes. Noen oppgaver har stabile mønstre, for eksempel kredittkortsvindel eller spam-meldinger. Veiledet læring er passende for denne typen oppgaver. Nettverksangrep er uforutsigbare, og uovervåkte eller halvkontrollerte læringsmetoder kan være mer passende.
