Typer av maskinlæring
Overvåket læring
Overvåket læring er en maskinlæringsteknikk der modellen trenes på et merket treningssett.
De mest populære oppgavene innen overvåket læring er:
-
Regresjon (for eksempel å forutsi prisen på et hus): du trenger et treningssett merket med andre huspriser for dette;
-
Klassifisering (for eksempel å klassifisere e-post som spam/ham): du trenger et treningssett merket som spam/ham for dette.
Uovervåket læring
Uovervåket læring er en maskinlæringsteknikk hvor modellen trenes på et ikke-merket treningssett.
De mest populære oppgavene innen uovervåket læring er klynging, avviksdeteksjon og dimensjonsreduksjon.
Klynging
En prosess hvor lignende datapunkter grupperes i klynger. Det er ikke nødvendig å merke dataene for dette. For eksempel kan et treningssett med e-poster uten merkelappene spam/ham brukes.
Avviksdeteksjon
En prosess hvor avvik fra normal datatferd oppdages. For eksempel svindeldeteksjon i kredittkorttransaksjoner. Det er ikke nødvendig å merke svindel/ikke svindel. Gi bare transaksjonsinformasjonen til en modell, som avgjør om transaksjonen skiller seg ut.
Dimensjonsreduksjon
En prosess hvor antall dimensjoner reduseres samtidig som mest mulig relevant informasjon beholdes. Dette krever heller ingen merkelapper.
Forsterkningslæring
Forsterkningslæring skiller seg betydelig fra de to foregående typene. Det er en teknikk som brukes for å trene selvkjørende kjøretøy, roboter, kunstig intelligens i spill og mer.
Forsterkningslæring er en maskinlæringsteknikk der agenten (for eksempel en robotstøvsuger) lærer ved å ta beslutninger og får en belønning hvis beslutningen er korrekt og en straff hvis beslutningen er feil.
Tenk deg å trene en hund til å hente en ball. Hunden vil motta en belønning (for eksempel en godbit eller ros) for å plukke opp ballen og bringe den nærmere eieren. Den vil få en straff (for eksempel å ikke få godbit eller en skuffet tone) hvis den løper i feil retning eller blir distrahert. I tillegg vil den få en stor belønning når den faktisk henter ballen og leverer den til eieren.
1. For å trene ML-modellen for en overvåket læringsoppgave, må treningssettet inneholde målvariabel (være merket). Er dette korrekt?
2. For å trene ML-modellen for en ikke-overvåket læringsoppgave, er det ikke nødvendig at treningssettet inneholder en målvariabel (være merket). Er dette korrekt?
Takk for tilbakemeldingene dine!
Spør AI
Spør AI
Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår
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 3.13Typer av maskinlæring
Sveip for å vise menyen
Overvåket læring
Overvåket læring er en maskinlæringsteknikk der modellen trenes på et merket treningssett.
De mest populære oppgavene innen overvåket læring er:
-
Regresjon (for eksempel å forutsi prisen på et hus): du trenger et treningssett merket med andre huspriser for dette;
-
Klassifisering (for eksempel å klassifisere e-post som spam/ham): du trenger et treningssett merket som spam/ham for dette.
Uovervåket læring
Uovervåket læring er en maskinlæringsteknikk hvor modellen trenes på et ikke-merket treningssett.
De mest populære oppgavene innen uovervåket læring er klynging, avviksdeteksjon og dimensjonsreduksjon.
Klynging
En prosess hvor lignende datapunkter grupperes i klynger. Det er ikke nødvendig å merke dataene for dette. For eksempel kan et treningssett med e-poster uten merkelappene spam/ham brukes.
Avviksdeteksjon
En prosess hvor avvik fra normal datatferd oppdages. For eksempel svindeldeteksjon i kredittkorttransaksjoner. Det er ikke nødvendig å merke svindel/ikke svindel. Gi bare transaksjonsinformasjonen til en modell, som avgjør om transaksjonen skiller seg ut.
Dimensjonsreduksjon
En prosess hvor antall dimensjoner reduseres samtidig som mest mulig relevant informasjon beholdes. Dette krever heller ingen merkelapper.
Forsterkningslæring
Forsterkningslæring skiller seg betydelig fra de to foregående typene. Det er en teknikk som brukes for å trene selvkjørende kjøretøy, roboter, kunstig intelligens i spill og mer.
Forsterkningslæring er en maskinlæringsteknikk der agenten (for eksempel en robotstøvsuger) lærer ved å ta beslutninger og får en belønning hvis beslutningen er korrekt og en straff hvis beslutningen er feil.
Tenk deg å trene en hund til å hente en ball. Hunden vil motta en belønning (for eksempel en godbit eller ros) for å plukke opp ballen og bringe den nærmere eieren. Den vil få en straff (for eksempel å ikke få godbit eller en skuffet tone) hvis den løper i feil retning eller blir distrahert. I tillegg vil den få en stor belønning når den faktisk henter ballen og leverer den til eieren.
1. For å trene ML-modellen for en overvåket læringsoppgave, må treningssettet inneholde målvariabel (være merket). Er dette korrekt?
2. For å trene ML-modellen for en ikke-overvåket læringsoppgave, er det ikke nødvendig at treningssettet inneholder en målvariabel (være merket). Er dette korrekt?
Takk for tilbakemeldingene dine!
