Думаете о том, чтобы заняться искусственным интеллектом 🧠 и машинным обучением? Одна из первых вещей, которую вам нужно усвоить, — это разница между категориями контролируемого и неконтролируемого обучения алгоритмов машинного обучения.
Давайте быстро посмотрим: 👀
Обучение с учителем.
Обучение с учителем – это тип алгоритма машинного обучения, который включает обучение модели на размеченных данных. Размеченные данные — это набор данных, в котором каждый пример связан с известным выходным значением или меткой. Целью обучения с учителем является изучение функции отображения входных переменных в выходные переменные. Модель обучается на наборе примеров, и цель состоит в том, чтобы предсказать результат для новых входных значений. Некоторые примеры контролируемых алгоритмов обучения включают случайный лес, линейную регрессию, логистическую регрессию, деревья решений и нейронные сети.
Обучение без учителя.
Обучение без учителя — это тип алгоритма машинного обучения, который включает обучение модели на неразмеченных данных. Немаркированные данные — это набор данных, в котором каждый пример не связан с известным выходным значением или меткой. Целью неконтролируемого обучения является изучение базовой структуры данных без каких-либо конкретных указаний. Модель обучается на наборе примеров, и цель состоит в том, чтобы выявить закономерности и отношения в данных. Некоторые примеры алгоритмов обучения без учителя включают случайный вырезанный лес, кластеризацию, анализ основных компонентов (PCA) и обнаружение аномалий.
Будучи архитектором AWS, мне очень нравится алгоритм случайного вырезания леса (RCF) и его использование для обнаружения аномалий. Он был представлен Amazon Web Services (AWS) в 2017 году как часть их облачной IDE Amazon SageMaker на основе машинного обучения.
Основная идея RCF состоит в том, чтобы использовать случайные проекции для преобразования данных высокой размерности в пространство меньшей размерности, а затем использовать лес рандомизированных деревьев решений для обнаружения аномалий в преобразованных данных. Алгоритм работает путем случайного выбора набора секущих гиперплоскостей для разделения данных, а затем построения дерева решений путем рекурсивного разделения данных по этим гиперплоскостям.
Оценка аномалии для каждой точки данных рассчитывается на основе средней глубины деревья, содержащие точку.
RCF имеет несколько преимуществ по сравнению с традиционными алгоритмами обнаружения аномалий. Он может обрабатывать многомерные данные и способен обнаруживать аномалии в потоковых данных в реальном времени. Он также требует минимальной настройки гиперпараметров и эффективен в вычислительном отношении.
Таким образом, обучение с учителем включает в себя обучение модели на размеченных данных для изучения функции отображения входных переменных в выходные переменные, в то время как обучение без учителя включает в себя обучение модели на неразмеченных данных для выявления закономерностей и взаимосвязей в данных.
В следующий раз мы рассмотрим оценку модели для обработки данных. 📖
