Koneoppimisen Tyypit
Ohjattu oppiminen
Ohjattu oppiminen on koneoppimisen menetelmä, jossa malli opetetaan merkatulla opetusdatalla.
Suosituimmat ohjatun oppimisen tehtävät ovat:
-
Regressio (esimerkiksi talon hinnan ennustaminen): tarvitset opetusdatan, jossa on muiden talojen hinnat;
-
Luokittelu (esimerkiksi sähköpostin luokittelu roskapostiksi tai ei-roskapostiksi): tarvitset opetusdatan, jossa viestit on merkitty roskapostiksi tai ei-roskapostiksi.
Ohjaamaton oppiminen
Ohjaamaton oppiminen on koneoppimisen menetelmä, 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 soveltuu tähän.
Poikkeavuuksien tunnistus
Prosessi, jossa tunnistetaan poikkeamat normaalista datakäyttäytymisestä. Esimerkiksi petosten tunnistus luottokorttitapahtumissa. Petos/ei petos -merkintöjä ei tarvita. Mallille annetaan vain tapahtumatiedot, ja se arvioi, poikkeaako tapahtuma muista.
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, pelien tekoälyn ja muiden sovellusten kouluttamiseen.
Vahvistusoppiminen on koneoppimistekniikka, jossa agentti (esim. robotti-imuri) oppii tekemällä päätöksiä ja saa palkkion, jos päätös on oikea, ja rangaistuksen, jos päätös on väärä.
Kuvittele koiran kouluttamista 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 häiriintyy. 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?
How do I know which type of machine learning to use for my problem?
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): tarvitset opetusdatan, jossa on muiden talojen hinnat;
-
Luokittelu (esimerkiksi sähköpostin luokittelu roskapostiksi tai ei-roskapostiksi): tarvitset opetusdatan, jossa viestit on merkitty roskapostiksi tai ei-roskapostiksi.
Ohjaamaton oppiminen
Ohjaamaton oppiminen on koneoppimisen menetelmä, 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 soveltuu tähän.
Poikkeavuuksien tunnistus
Prosessi, jossa tunnistetaan poikkeamat normaalista datakäyttäytymisestä. Esimerkiksi petosten tunnistus luottokorttitapahtumissa. Petos/ei petos -merkintöjä ei tarvita. Mallille annetaan vain tapahtumatiedot, ja se arvioi, poikkeaako tapahtuma muista.
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, pelien tekoälyn ja muiden sovellusten kouluttamiseen.
Vahvistusoppiminen on koneoppimistekniikka, jossa agentti (esim. robotti-imuri) oppii tekemällä päätöksiä ja saa palkkion, jos päätös on oikea, ja rangaistuksen, jos päätös on väärä.
Kuvittele koiran kouluttamista 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 häiriintyy. 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!
