Koneoppimisen Tyypit
Ohjattu oppiminen
Ohjattu oppiminen on koneoppimisen menetelmä, jossa malli opetetaan merkatulla opetusdatalla.
Suosituimmat ohjatun oppimisen tehtävät ovat:
-
Regressio (esimerkiksi talon hinnan ennustaminen): tähän tarvitaan opetusdata, jossa on muiden talojen hinnat merkittynä;
-
Luokittelu (esimerkiksi sähköpostin luokittelu roskapostiksi tai normaaliksi): tähän tarvitaan opetusdata, jossa sähköpostit on merkitty roskapostiksi tai normaaliksi.
Ohjaamaton oppiminen
Ohjaamaton oppiminen on koneoppimistekniikka, jossa malli opetetaan merkitsemättömällä opetusdatalla.
Suosituimpia ohjaamattoman oppimisen tehtäviä ovat klusterointi, poikkeavuuksien tunnistus ja ulottuvuuksien vähentäminen.
Klusterointi
Prosessi, jossa samankaltaiset datapisteet ryhmitellään klustereihin. Datan merkitseminen ei ole tarpeen. Esimerkiksi opetusjoukko sähköposteja ilman spam/ham-merkintöjä riittää.
Poikkeavuuksien tunnistus
Prosessi, jossa havaitaan poikkeamat normaalista datakäyttäytymisestä. Esimerkiksi petosten tunnistus luottokorttitapahtumissa. Petos/ei petos -merkintöjä ei tarvita. Mallille annetaan vain tapahtumatiedot, ja se määrittää, erottuuko tapahtuma joukosta.
Ulottuvuuksien vähentäminen
Prosessi, jossa vähennetään ulottuvuuksien määrää säilyttäen mahdollisimman paljon olennaista tietoa. Myöskään tässä ei tarvita merkintöjä.
Vahvistusoppiminen
Vahvistusoppiminen eroaa merkittävästi kahdesta aiemmasta tyypistä. Sitä käytetään itseohjautuvien ajoneuvojen, robottien, tekoälyn pelisovelluksissa ja muissa vastaavissa tilanteissa.
Vahvistusoppiminen on koneoppimistekniikka, jossa agentti (esim. robotti-imuri) oppii tekemällä päätöksiä ja saa palkkion, jos päätös on oikea, sekä rangaistuksen, jos päätös on väärä.
Kuvittele koiran kouluttaminen noutamaan pallo. Koira saa palkkion (esimerkiksi herkun tai kehun), kun se poimii pallon ja tuo sen lähemmäs omistajaa. Se saa rangaistuksen (esimerkiksi herkun pidättäminen tai pettynyt äänensävy), jos se juoksee väärään suuntaan tai harhautuu. Lisäksi se saa suuren palkkion, kun se onnistuneesti noutaa pallon ja toimittaa sen omistajalle.
1. Jotta ML-malli voidaan kouluttaa valvotun oppimisen tehtävään, koulutusjoukon tulee sisältää kohde (olla merkitty). Onko tämä oikein?
2. Jotta ML-malli voidaan kouluttaa valvomattoman oppimisen tehtävään, koulutusjoukon ei tarvitse sisältää kohdetta (olla merkitty). Onko tämä oikein?
Kiitos palautteestasi!
Kysy tekoälyä
Kysy tekoälyä
Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme
Can you explain the main differences between supervised, unsupervised, and reinforcement learning?
Can you give more real-world examples of each type of machine learning?
What are some common algorithms used in supervised, unsupervised, and reinforcement learning?
Awesome!
Completion rate improved to 3.13Koneoppimisen Tyypit
Pyyhkäise näyttääksesi valikon
Ohjattu oppiminen
Ohjattu oppiminen on koneoppimisen menetelmä, jossa malli opetetaan merkatulla opetusdatalla.
Suosituimmat ohjatun oppimisen tehtävät ovat:
-
Regressio (esimerkiksi talon hinnan ennustaminen): tähän tarvitaan opetusdata, jossa on muiden talojen hinnat merkittynä;
-
Luokittelu (esimerkiksi sähköpostin luokittelu roskapostiksi tai normaaliksi): tähän tarvitaan opetusdata, jossa sähköpostit on merkitty roskapostiksi tai normaaliksi.
Ohjaamaton oppiminen
Ohjaamaton oppiminen on koneoppimistekniikka, jossa malli opetetaan merkitsemättömällä opetusdatalla.
Suosituimpia ohjaamattoman oppimisen tehtäviä ovat klusterointi, poikkeavuuksien tunnistus ja ulottuvuuksien vähentäminen.
Klusterointi
Prosessi, jossa samankaltaiset datapisteet ryhmitellään klustereihin. Datan merkitseminen ei ole tarpeen. Esimerkiksi opetusjoukko sähköposteja ilman spam/ham-merkintöjä riittää.
Poikkeavuuksien tunnistus
Prosessi, jossa havaitaan poikkeamat normaalista datakäyttäytymisestä. Esimerkiksi petosten tunnistus luottokorttitapahtumissa. Petos/ei petos -merkintöjä ei tarvita. Mallille annetaan vain tapahtumatiedot, ja se määrittää, erottuuko tapahtuma joukosta.
Ulottuvuuksien vähentäminen
Prosessi, jossa vähennetään ulottuvuuksien määrää säilyttäen mahdollisimman paljon olennaista tietoa. Myöskään tässä ei tarvita merkintöjä.
Vahvistusoppiminen
Vahvistusoppiminen eroaa merkittävästi kahdesta aiemmasta tyypistä. Sitä käytetään itseohjautuvien ajoneuvojen, robottien, tekoälyn pelisovelluksissa ja muissa vastaavissa tilanteissa.
Vahvistusoppiminen on koneoppimistekniikka, jossa agentti (esim. robotti-imuri) oppii tekemällä päätöksiä ja saa palkkion, jos päätös on oikea, sekä rangaistuksen, jos päätös on väärä.
Kuvittele koiran kouluttaminen noutamaan pallo. Koira saa palkkion (esimerkiksi herkun tai kehun), kun se poimii pallon ja tuo sen lähemmäs omistajaa. Se saa rangaistuksen (esimerkiksi herkun pidättäminen tai pettynyt äänensävy), jos se juoksee väärään suuntaan tai harhautuu. Lisäksi se saa suuren palkkion, kun se onnistuneesti noutaa pallon ja toimittaa sen omistajalle.
1. Jotta ML-malli voidaan kouluttaa valvotun oppimisen tehtävään, koulutusjoukon tulee sisältää kohde (olla merkitty). Onko tämä oikein?
2. Jotta ML-malli voidaan kouluttaa valvomattoman oppimisen tehtävään, koulutusjoukon ei tarvitse sisältää kohdetta (olla merkitty). Onko tämä oikein?
Kiitos palautteestasi!
