Садржај

• Упоредни графикон
• Дефиниција надзираног учења
• Дефиниција ненадзорованог учења
• Закључак

Надзирано и Ненадзоровано учење су парадигме машинског учења које се користе у решавању класе задатака учењем из мера искуства и перформанси. Надзирано и Ненадзоровано учење углавном се разликује по томе што надзирано учење укључује пресликавање од улаза до суштинског резултата. Супротно томе, неконтролирано учење нема за циљ да произведе резултате као одговор на одређени унос, већ открива обрасце у подацима.

Ове надгледане и ненадзиране технике учења имплементиране су у различитим апликацијама, попут вјештачких неуронских мрежа, што је систем за обраду података који садржи огроман број углавном повезаних елемената за обраду.

1. 1. Упоредни графикон
   2. Дефиниција
   3. Кључне разлике
   4. Закључак

Упоредни графикон

Основе за поређење	Надзирано учење	Ненадзоровано учење
Основни	Посао са обележеним подацима.	Рукује необележеним подацима.
Рачунарска сложеност	Високо	Ниска
Анализа	Одсутан	Реалном времену
Тачност	Даје тачне резултате	Даје умерене резултате
Поддомене	Класификација и регресија	Ископавање правила кластерирања и удруживања

Дефиниција надзираног учења

Надзирано учење метода укључује обуку система или машине где се систем за обуку заједно са циљаним узорком (излазни образац) даје систему за обављање задатка. Типично надгледати значи посматрати и усмеравати извршење задатака, пројеката и активности. Али где се надгледање учења може применити? Примарно се имплементира у мрежама мрежног учења регресије и кластера и неурона.

Како тренирамо модел? Модел се води помоћу учитавања модела са знањем како би се олакшало предвиђање будућих случајева. За тренинг користи обележене скупове података. Вештачке неуронске мреже улазни образац тренирају мрежу која је такође повезана са излазним обрасцем.

Дефиниција ненадзорованог учења

Ненадзоровано учење модел не укључује циљни излаз што значи да систем није обезбеђен никакав тренинг. Систем мора учити самостално одређивањем и прилагођавањем према структурним карактеристикама у улазним обрасцима. Користи алгоритме машинског учења који изводе закључке о необиљеженим подацима.

Ненадзирано учење ради на сложенијим алгоритмима у поређењу с надгледаним учењем, јер имамо ретке или никакве податке о тим подацима. То ствара мање управљиво окружење јер су машина или систем који је намијењен стварању резултата за нас. Главни циљ ненадзорованог учења је претраживање ентитета попут група, кластера, смањење димензија и процена густине.

1. Надзирана техника учења бави се обележеним подацима где је систем излазних података познат систему. Насупрот томе, неконтролирано учење дјелује са необиљеженим подацима у којима се излаз само заснива на прикупљању перцепција.
2. Када је у питању сложеност, надгледани метод учења је мање сложен, док је начин ненадзораног учења сложенији.
3. Надзирано учење такође може вршити ванмрежну анализу, док неконтролисано учење користи анализу у стварном времену.
4. Исход надгледане технике учења је тачнији и поузданији. Супротно томе, неконтролисано учење даје умерене, али поуздане резултате.
5. Класификација и регресија су врсте проблема који се решавају у оквиру надгледаног метода учења. Супротно томе, неконтролирано учење укључује проблеме кластера и асоцијативне владавине правила.

Закључак

Надгледано учење је техника извршавања задатка пружањем образаца обуке, улаза и излаза у системе, док је неконтролирано учење техника самоучења у којој систем мора открити карактеристике улазне популације на сопствени начин и без претходног скупа категорија се користе.