Q:
В чем разница между контролируемым, неконтролируемым и полуконтролируемым обучением?
A:Основное различие между контролируемым и неконтролируемым обучением в машинном обучении заключается в использовании данных обучения.
Контролируемое обучение использует примеры данных, чтобы показать, как выглядят «правильные» данные. Данные структурированы так, чтобы показать результаты заданных входов.
Алгоритм машинного обучения, который классифицирует фрукты, может иметь изображения фруктов, таких как яблоки, бананы, виноград и апельсины, в качестве входных данных и названия этих фруктов в качестве выходных данных.
Примером из реальной жизни могут служить байесовские фильтры спама в почтовых программах. Эти фильтры обучены с примерами электронных писем, которые считаются спамом. Фильтр спама может затем искать определенные фразы, которые появляются в электронных письмах, которые встречаются в электронных письмах спама, и перемещать их в папку спама.
Это как показать человеку, как выполнить новое задание. Человеку, выполняющему ввод данных, могут быть показаны примеры данных в формате, который хочет компания, и затем ожидается, что он последует за ними.
Программы машинного обучения, использующие контролируемое обучение, многократно повторяют учебные данные. Результаты могут быть впечатляющими, когда это действительно начнется. Спам-фильтр Google Gmail очень точен, потому что его обучают очень многие пользователи.
Необучаемое обучение не имеет каких-либо предварительных данных обучения. В нашем примере классификации фруктов алгоритм может просто показывать изображения фруктов и указывать их классифицировать.
Неконтролируемое обучение находит применение в исследованиях рынка, изучая покупательские привычки клиентов или безопасность, отслеживая схемы взлома.
Обучаемое обучение под наблюдением пытается занять золотую середину, пометив некоторые данные. Например, яблоко и апельсин могут быть помечены в программе классификации фруктов, а банан и виноград - нет.
Когда использовать любой из этих алгоритмов, будет зависеть от типа используемых данных. Некоторые задачи имеют устойчивые шаблоны, такие как мошенничество с кредитными картами или сообщения со спамом. Контролируемое обучение подходит для таких задач. Сетевые атаки непредсказуемы, и более подходящими могут быть неконтролируемые или полуконтролируемые методы обучения.
