Зміст

• Порівняльна діаграма
• Визначення контрольованого навчання
• Визначення непідконтрольного навчання
• Висновок

Контрольоване та непідконтрольне навчання - це парадигми машинного навчання, які використовуються при вирішенні класу завдань шляхом вивчення досвіду та міри ефективності. Навчальне та непідконтрольне навчання в основному відрізняються тим, що контрольоване навчання включає відображення від вхідного до основного результату. Навпаки, непідвладне навчання не спрямоване на отримання результату у відповідь на конкретний вхід, а натомість виявляє шаблони даних.

Ці контрольовані та непідконтрольні методи навчання реалізуються в різних додатках, таких як штучні нейронні мережі, що представляють собою системи обробки даних, що містять величезну кількість значною мірою взаємопов’язаних елементів обробки.

1. 1. Порівняльна діаграма
   2. Визначення
   3. Ключові відмінності
   4. Висновок

Порівняльна діаграма

Основа для порівняння	Контрольоване навчання	Навчання без нагляду
Основні	Угоди з міченими даними.	Обробляє незазначені дані.
Обчислювальна складність	Високий	Низький
Аналіз	Офлайн	Реальний час
Точність	Дає точні результати	Дає помірні результати
Піддомени	Класифікація та регресія	Викопування правил кластеризації та асоціації

Визначення контрольованого навчання

Контрольоване навчання Спосіб включає підготовку системи або машини, де навчальні набори разом з цільовим малюнком (вихідний зразок) надаються системі для виконання завдання. Зазвичай контролюють засоби спостереження та керівництва виконанням завдань, проекту та діяльності. Але де можна здійснювати контрольоване навчання? В першу чергу, вона реалізована в мережах машинного навчання «Регресія» та «Кластер» та «Нейрон».

Тепер, як ми тренуємо модель? Модель керується за допомогою завантаження моделі знаннями для полегшення прогнозування майбутніх випадків. Він використовує мічені набори даних для тренінгу. У штучних нейронних мережах схема введення тренує мережу, яка також пов'язана з вихідною схемою.

Визначення непідконтрольного навчання

Навчання без нагляду модель не передбачає цільового результату, що означає, що система не забезпечує навчання. Система має вчитися самостійно шляхом визначення та адаптації відповідно до структурних характеристик вхідних моделей. Він використовує алгоритми машинного навчання, які роблять висновки щодо немечених даних.

Непідконтрольне навчання працює над складнішими алгоритмами порівняно з контрольованим навчанням, оскільки у нас є рідкісна інформація про них або їх немає. Це створює менш кероване середовище, оскільки машина або система, призначені генерувати результати для нас. Основна мета непідвладного навчання - пошук таких об'єктів, як групи, кластери, зменшення розмірності та оцінка щільності.

1. Техніка навчання під наглядом має справу з міченими даними, де системи відомих вихідних даних. На противагу тому, що непідконтрольне навчання працює з немеченими даними, в яких результат виходить лише на основі збору уявлень.
2. Що стосується складності, то керований метод навчання є менш складним, а непідконтрольний - більш складним.
3. Контрольоване навчання також може проводити офлайн-аналіз, тоді як у непідконтрольному навчанні використовується аналіз у реальному часі.
4. Результат контрольованої методики навчання є більш точним та надійним. Навпаки, непідконтрольне навчання дає помірні, але надійні результати.
5. Класифікація та регресія - це типи проблем, що вирішуються за методом контрольованого навчання. І навпаки, непідконтрольне навчання включає проблеми кластеризації та асоціативних правил видобутку правил.

Висновок

Контрольоване навчання - це техніка виконання завдання, забезпечуючи схеми навчання, введення та виведення в систему, тоді як непідконтрольне навчання - це техніка самонавчання, в якій система повинна виявляти особливості вхідної сукупності самостійно і без попереднього набору категорій. використовуються.