¿Cuál es la diferencia entre el aprendizaje supervisado y el aprendizaje no supervisado?

El aprendizaje supervisado es cuando los datos que alimenta su algoritmo son "etiquetados" para ayudar a su lógica a tomar decisiones.

Ejemplo: Filtrado de spam de Bayes, donde debe marcar un elemento como spam para refinar los resultados.

El aprendizaje no supervisado son tipos de algoritmos que intentan encontrar correlaciones sin ninguna entrada externa que no sean los datos en bruto.

Ejemplo: algoritmos de agrupamiento de datamining.

Aprendizaje supervisado

Las aplicaciones en las que los datos de entrenamiento comprenden ejemplos de los vectores de entrada junto con sus vectores objetivo correspondientes se conocen como problemas de aprendizaje supervisado.

Aprendizaje no supervisado

En otros problemas de reconocimiento de patrones, los datos de entrenamiento consisten en un conjunto de vectores de entrada x sin ningún valor objetivo correspondiente. El objetivo en estos problemas de aprendizaje no supervisados puede ser descubrir grupos de ejemplos similares dentro de los datos, donde se llama clustering

Reconocimiento de Patrones y Aprendizaje Automático (Bishop, 2006)

En el aprendizaje supervisado, scheme se está proporcionando con outcome.So el resultado se llama clase del ejemplo.

Pero en el aprendizaje no supervisado, la clase de un ejemplo no es known.So el aprendizaje no supervisado es el de tratar de encontrar una estructura oculta en un conjunto de datos sin etiquetar(clase desconocida).

Los enfoques para el aprendizaje no supervisado incluyen:

• Clustering (K-media,clustering jerárquico)

• Regla de Asociación Aprendizaje

Los enfoques para el aprendizaje supervisado incluyen:

• Clasificación (1R, Bayes ingenuo, Algoritmo de aprendizaje del árbol de decisión como ID3 CARRO y así sucesivamente)

• Predicción de valores Numéricos

Por ejemplo, muy a menudo entrenar una red neuronal es aprendizaje supervisado: le estás diciendo a la red a qué clase corresponde el vector de entidad que estás alimentando.

La agrupación en clústeres es aprendizaje no supervisado: permite que el algoritmo decida cómo agrupar muestras en clases que comparten propiedades comunes.

Otro ejemplo de aprendizaje no supervisado es los mapas autoorganizados de Kohonen.

Si necesita saber el significado de ellos de manera tan simple, puedo darle un ejemplo: como ejemplo: ¿necesita reconocer qué vehículo es automóvil y cuál es motocicleta? en supervisado el aprendizaje de sus datos de entrada debe tener label.It significa que primero debe asignar que el vehículo que tiene 2 ruedas y el tamaño es pequeño es motocicleta.(En este caso damos la información directamente). Pero en el aprendizaje no supervisado, no se etiquetan las entradas.usted da algunas entradas diferentes a la máquina y la máquina los agrupan por sus características similares.

respuesta Corta:

El aprendizaje automático se puede dividir en dos algoritmos de aprendizaje:

Aprendizaje supervisado: Proporciona datos de ejemplo etiquetados de diversas maneras como entrada, junto con las respuestas correctas. Este algoritmo aprenderá de él, y comenzará a predecir resultados correctos basados en las entradas a partir de entonces. Ejemplo : Filtro de correo no deseado

Aprendizaje no supervisado: Solo das datos y no dices nada, como etiquetas o correcciones respuesta. El algoritmo analiza automáticamente los patrones en los datos. Ejemplo : Google News

Siempre he encontrado que la distinción entre aprendizaje no supervisado y supervisado es arbitraria y un poco confusa. No hay una distinción real entre los dos casos, sino que hay una serie de situaciones en las que un algoritmo puede tener más o menos 'supervisión'. La existencia de aprendizaje semi-supervisado es un ejemplo obvio donde la línea es borrosa.

Tiendo a pensar en la supervisión como dar retroalimentación al algoritmo sobre qué soluciones deberían preferirse. Para un configuración supervisada tradicional, como la detección de spam, le dices al algoritmo "no cometas ningún error en el conjunto de entrenamiento"; para una configuración tradicional sin supervisión, como la agrupación en clústeres, le dices al algoritmo "los puntos que están cerca unos de otros deben estar en el mismo clúster". Resulta que la primera forma de retroalimentación es mucho más específica que la segunda.

En resumen, cuando alguien dice 'supervisado', piense en la clasificación, cuando dicen 'no supervisado' piense en agruparse y trate de no preocuparse demasiado por ello más allá de eso.

Aprendizaje automático: Explora el estudio y la construcción de algoritmos que pueden aprender de los datos y hacer predicciones sobre ellos.Tales algoritmos operan mediante la construcción de un modelo a partir de entradas de ejemplo con el fin de hacer predicciones basadas en datos o decisiones expresadas como salidas,en lugar de seguir instrucciones de programa estrictamente estáticas.

Aprendizaje Supervisado: Es la tarea de aprendizaje automático de inferir una función a partir de datos de entrenamiento etiquetados.Los datos de entrenamiento consisten en un conjunto de ejemplos de formación. En el aprendizaje supervisado, cada ejemplo es un par que consiste en un objeto de entrada (normalmente un vector) y un valor de salida deseado (también llamado señal de supervisión). Un algoritmo de aprendizaje supervisado analiza los datos de entrenamiento y produce una función inferida, que se puede utilizar para mapear nuevos ejemplos.

La computadora se presenta con entradas de ejemplo y sus salidas deseadas, dadas por un "maestro", y el objetivo es aprender una regla general que asigna entradas a salida.Específicamente, un algoritmo de aprendizaje supervisado toma un conjunto conocido de datos de entrada y respuestas conocidas a los datos (salida), y entrena un modelo para generar predicciones razonables para la respuesta a nuevos datos.

Aprendizaje no supervisado: Es aprender sin un maestro. Un básico lo que podrías querer hacer con los datos es visualizarlos. Es la tarea de aprendizaje automático de inferir una función para describir la estructura oculta de los datos no etiquetados. Desde los ejemplos dado que el alumno no está etiquetado, no hay señal de error o recompensa para evaluar una solución potencial. Esto distingue el aprendizaje no supervisado del aprendizaje supervisado. El aprendizaje no supervisado utiliza procedimientos que intentan encontrar particiones naturales de patrones.

Con el aprendizaje no supervisado no hay retroalimentación basada en los resultados de la predicción, es decir, no hay un maestro que lo corrija.Bajo los métodos de aprendizaje no supervisados no se proporcionan ejemplos etiquetados y no hay noción de la salida durante el proceso de aprendizaje. Como resultado, depende del esquema/modelo de aprendizaje encontrar patrones o descubrir los grupos de los datos de entrada

Debe usar métodos de aprendizaje no supervisados cuando necesite un cantidad de datos para entrenar sus modelos, y la voluntad y la capacidad para experimentar y explorar, y por supuesto un reto que no está bien resuelto a través de métodos más establecidos.Con el aprendizaje no supervisado es posible aprender más y más modelos complejos que con supervisión aprendizaje. Aquí es un buen ejemplo de ello

.

Aprendizaje supervisado, dado los datos con una respuesta.

Dado el correo electrónico etiquetado como spam/no spam, aprenda un filtro de spam.

Dado un conjunto de datos de pacientes diagnosticados como diabéticos o no, aprenda a clasificar a los nuevos pacientes como diabéticos o no.

El aprendizaje no supervisado, dados los datos sin una respuesta, permite que el pc agrupe las cosas.

Dado un conjunto de artículos de noticias que se encuentran en la web, agrupe el conjunto de artículos sobre el mismo historia.

Dada una base de datos de datos personalizados, descubra automáticamente los segmentos de mercado y agrupe a los clientes en diferentes segmentos de mercado.

Referencia

Aprendizaje Supervisado

En esto, cada patrón de entrada que se utiliza para entrenar la red es asociado con un patrón de salida, que es el objetivo o el deseado patrón. Se supone que un maestro está presente durante el aprendizaje proceso, cuando se hace una comparación entre los cálculos de la red salida y la salida esperada correcta, para determinar el error. El error se puede utilizar para cambiar los parámetros de red, lo que resulta en una mejora en rendimiento.

Aprendizaje No Supervisado

En este método de aprendizaje, la salida de destino no se presenta a la red. Es como si no hubiera maestro para presentar lo deseado y por lo tanto, el sistema aprende por sí mismo al descubrir y adaptación a las características estructurales en los patrones de entrada.

Trataré de mantenerlo simple.

Aprendizaje supervisado: En esta técnica de aprendizaje se nos da un conjunto de datos y el sistema ya conoce el resultado correcto del conjunto de datos. Así que aquí nuestro sistema aprende prediciendo un valor propio. A continuación, hace una comprobación de precisión mediante el uso de una función de coste, para comprobar lo cerca que estaba su predicción a la salida real.

Aprendizaje no supervisado: En esto nos acercamos con poco o ningún conocimiento de cuál sería nuestro resultado. Tan en lugar derivamos estructura de los datos donde no sabemos efecto de variable. Hacemos la estructura agrupando los datos basados en la relación entre la variable en los datos. Aquí no tenemos un feedback basado en nuestra predicción.

Aprendizaje Supervisado

El aprendizaje supervisado se basa en la formación de una muestra de datos de la fuente de datos con la clasificación correcta ya asignada. Tales técnicas se utilizan en feedforward o multicapa Modelos Perceptron (MLP). Estos MLP tiene tres distintivos características:

1. Una o más capas de neuronas ocultas que no son parte de la entrada o capas de salida de la red que permiten a la red aprender y resuelve cualquier complejo problemas
2. La no linealidad reflejada en la actividad neuronal es diferenciable y,
3. El modelo de interconexión de la red presenta un alto grado de conectividad.

Estas características junto con el aprendizaje a través de la capacitación resolver problemas difíciles y diversos. Aprendizaje a través de entrenamiento en un modelo ANN supervisado también llamado algoritmo de backpropagation de error. La corrección de errores-aprendizaje algoritmo entrena la red basada en la entrada-salida muestras y encuentra la señal de error, que es la diferencia de la salida calculada y la salida deseada y ajusta el pesos sinápticos de las neuronas que es proporcional a la producto de la señal de error y la instancia de entrada del peso sináptico. Basado en este principio, error volver el aprendizaje de propagación ocurre en dos pasadas:

Paso hacia adelante:

Aquí, el vector de entrada se presenta a la red. Esta señal de entrada se propaga hacia adelante, neurona por neurona a través de la red y emerge en el extremo de salida de la red como señal de salida: y(n) = φ(v(n)) donde v(n) es el campo local inducido de una neurona definido por v(n) =Σ w(n)y(n). La salida que se calcula en la capa de salida o(n) se compara con la respuesta deseada d(n) y encuentra el error e(n) para esa neurona. Los pesos sinápticos de la red durante este pase son los mismos.

Paso hacia atrás:

La señal de error que se origina en la neurona de salida de esa capa se propaga hacia atrás a través de la red. Esto calcula el gradiente local para cada neurona en cada capa y permite que los pesos sinápticos de la red sufran cambios de acuerdo con la regla delta como:

Δw(n) = η * δ(n) * y(n).

Este cálculo recursivo se continúa, con el paso hacia adelante seguido por el paso hacia atrás para cada patrón de entrada hasta que la red converge.

El paradigma de aprendizaje supervisado de una RNA es eficiente y encuentra soluciones a varios problemas lineales y no lineales, como clasificación, control de planta, pronóstico, predicción, robótica, etc.

Aprendizaje no supervisado

Las redes neuronales autoorganizadas aprenden utilizando un algoritmo de aprendizaje no supervisado para identificar patrones ocultos en datos de entrada no etiquetados. Esto sin supervisión se refiere a la capacidad de aprender y organizar la información sin proporcionar una señal de error para evaluar la solución potencial. La falta de dirección para el algoritmo de aprendizaje en el aprendizaje no supervisado en algún momento puede ser ventajoso, ya que permite al algoritmo mirar hacia atrás en busca de patrones que no se han considerado previamente. Las principales características de los Mapas Autoorganizados (SOM) son:

1. Transforma un patrón de señal entrante de dimensión arbitraria en mapa de una o 2 dimensiones y realizar esta transformación adaptativamente
2. La red representa la estructura feedforward con una sola capa computacional que consiste en neuronas dispuestas en filas y columna. En cada etapa de representación, cada señal de entrada se mantiene en su contexto apropiado y,
3. Las neuronas que tratan con piezas de información estrechamente relacionadas están cerca juntos y se comunican a través de conexiones sinápticas.

La capa computacional también se llama capa competitiva ya que las neuronas en la capa compiten entre sí para volverse activas. Por lo tanto, este algoritmo de aprendizaje se llama algoritmo competitivo. Algoritmo no supervisado en SOM funciona en tres fases:

Fase de competición:

Para cada patrón de entrada x, presentado a la red, se calcula el producto interno con peso sináptico w y las neuronas en la capa competitiva encuentran una función discriminante que induce la competencia entre las neuronas y el vector de peso sináptico que está cerca del vector de entrada en la distancia euclidiana se anuncia como ganador en la competencia. Esa neurona se llama mejor coincidencia neurona,

i.e. x = arg min ║x - w║.

Fase cooperativa:

La neurona ganadora determina el centro de un vecindario topológico h de neuronas cooperantes. Esto se realiza mediante la interacción lateral d entre los neuronas cooperativas. Este vecindario topológico reduce su tamaño en un período de tiempo.

Fase adaptativa:

Permite que la neurona ganadora y sus neuronas vecinas aumenten sus valores individuales del discriminante función en relación con el patrón de entrada mediante ajustes de peso sinápticos adecuados,

 Δw = ηh(x)(x –w).

Tras la presentación repetida de los patrones de entrenamiento, los vectores de peso sinápticos tienden a seguir la distribución de los patrones de entrada debido a la actualización del vecindario y, por lo tanto, ANN aprende sin supervisor.

El Modelo autoorganizado representa naturalmente el comportamiento neuro-biológico, y por lo tanto se usa en muchas aplicaciones del mundo real, como la agrupación en clústeres, el reconocimiento de voz, segmentación de texturas, codificación vectorial, etc.

Referencia.

Aprendizaje Supervisado: Es una tarea de aprendizaje automático de inferir una función a partir de datos de entrenamiento etiquetados.

Aprendizaje no supervisado: Es una tarea de aprendizaje automático de inferir una función para describir la estructura oculta a partir de datos" sin etiquetar " (una clasificación o categorización no se incluye en las observaciones).

En Aprendizaje supervisado sabemos cuáles deben ser las entradas y salidas. Por ejemplo , dado un conjunto de coches. Tenemos que averiguar cuáles son rojas y cuáles azules.

Considerando que, Aprendizaje no supervisado es donde tenemos que encontrar la respuesta con muy poca o sin ninguna idea acerca de cómo debería ser la salida. Por ejemplo, un alumno podría ser capaz de construir un modelo que detecta cuando las personas están sonriendo basado en la correlación de patrones faciales y palabras como " ¿qué son ¿estás sonriendo?".

El aprendizaje supervisado puede etiquetar un nuevo elemento en una de las etiquetas entrenadas según el aprendizaje durante el entrenamiento. Debe proporcionar un gran número de conjuntos de datos de entrenamiento, conjuntos de datos de validación y conjuntos de datos de prueba. Si proporciona, por ejemplo, vectores de imagen de píxeles de dígitos junto con datos de entrenamiento con etiquetas, entonces puede identificar los números.

El aprendizaje no supervisado no requiere conjuntos de datos de entrenamiento. En el aprendizaje no supervisado, puede agrupar elementos en diferentes clústeres en función de la diferencia en los vectores de entrada. Si proporciona vectores de imagen de píxeles de dígitos y le pide que se clasifique en 10 categorías, puede hacerlo. Pero sí sabe cómo etiquetarlo, ya que no ha proporcionado etiquetas de capacitación.

El aprendizaje supervisado es básicamente donde tiene variables de entrada(x) y variable de salida(y) y utiliza el algoritmo para aprender la función de asignación de la entrada a la salida. La razón por la que llamamos a esto como supervisado es porque el algoritmo aprende del conjunto de datos de entrenamiento, el algoritmo iterativamente hace predicciones sobre los datos de entrenamiento. Supervisado tienen dos tipos-Clasificación y Regresión. La clasificación es cuando la variable de salida es categoría como sí / no, verdadero / falso. Regresión es cuando el la salida es valores reales como la altura de la persona, la temperatura, etc.

UN aprendizaje supervisado es donde solo tenemos datos de entrada(X) y ninguna variable de salida. Esto se llama aprendizaje no supervisado porque a diferencia del aprendizaje supervisado anterior, no hay respuestas correctas y no hay maestro. Los algoritmos se dejan a sus propios dispositivos para descubrir y presentar la estructura interesante en los datos.

Los tipos de aprendizaje no supervisado son el agrupamiento y la Asociación.

El aprendizaje supervisado es básicamente una técnica en la que los datos de entrenamiento de los que aprende la máquina ya están etiquetados, es decir, supongamos que un simple clasificador de números pares impares donde ya ha clasificado los datos durante el entrenamiento . Por lo tanto, utiliza datos "ETIQUETADOS".

El aprendizaje no supervisado, por el contrario, es una técnica en la que la máquina por sí misma etiqueta los datos . O puede decir que es el caso cuando la máquina aprende por sí misma desde cero.

En Simple El aprendizaje supervisado es un tipo de problema de aprendizaje automático en el que tenemos algunas etiquetas y mediante el uso de esas etiquetas implementamos algoritmos como la regresión y la clasificación .La clasificación se aplica donde nuestra salida es como en la forma de 0 o 1, verdadero / falso, sí / no. y la regresión se aplica donde fuera puso un valor real como una casa de precio

El aprendizaje no supervisado es un tipo de problema de aprendizaje automático en el que no tenemos etiquetas significa solo tenemos algunos datos, datos no estructurados y tenemos que agrupar los datos (agrupación de datos)utilizando varios algoritmos no supervisados

Aprendizaje automático supervisado

" El proceso de un algoritmo que aprende del conjunto de datos de entrenamiento y predecir la salida. "

Precisión de la salida prevista directamente proporcional a los datos de entrenamiento (longitud)

El aprendizaje supervisado es donde tiene variables de entrada (x) (conjunto de datos de entrenamiento) y una variable de salida (Y) (conjunto de datos de prueba) y utiliza un algoritmo para aprender la función de asignación de la entrada a la salida.

Y = f(X)

Mayor tipos:

• Clasificación (eje y discreto)
• Predictivo (eje y continuo)

Algoritmos:

• Algoritmos de clasificación:

  Neural Networks  
  Naïve Bayes classifiers  
  Fisher linear discriminant  
  KNN 
  Decision Tree 
  Super Vector Machines
  

• Algoritmos predictivos:

  Nearest  neighbor  
  Linear Regression,Multi Regression 
  

Áreas de aplicación:

1. Clasificar los correos electrónicos como spam
2. Clasificar si el paciente tiene enfermedad o no

3. Reconocimiento De Voz

4. Predecir el HR select particular candidato o no

5. Predecir el precio del mercado de valores

Aprendizaje supervisado

Tienes entrada x y una salida de destino t. Así que entrenas el algoritmo para generalizar a las partes faltantes. Es supervisado porque se da el objetivo. Usted es el supervisor que le dice al algoritmo: Para el ejemplo x, usted debe generar t!

Aprendizaje no supervisado

Aunque la segmentación, el agrupamiento y la compresión generalmente se cuentan en esta dirección, tengo dificultades para llegar a una buena definición para ello.

Vamos a tomar auto-codificadores para compresión como ejemplo. Mientras que solo tiene la entrada x dada, es el ingeniero humano cómo le dice al algoritmo que el objetivo también es x. Así que en algún sentido, esto no es diferente del aprendizaje supervisado.

Y para el clustering y la segmentación, no estoy muy seguro de si realmente se ajusta a la definición de aprendizaje automático (ver otra pregunta).

Aprendizaje supervisado: Usted ha etiquetado los datos y tiene que aprender de eso. por ejemplo, los datos de la casa junto con el precio y luego aprender a predecir el precio

Aprendizaje no supervisado: tienes que encontrar la tendencia y luego predecir, sin etiquetas anteriores dadas. por ejemplo, diferentes personas en la clase y luego viene una nueva persona, así que a qué grupo pertenece este nuevo estudiante.