Introducción al aprendizaje supervisado y al aprendizaje no supervisado
El aprendizaje supervisado y el aprendizaje no supervisado son tareas de aprendizaje automático.
El aprendizaje supervisado es simplemente un proceso de algoritmo de aprendizaje del conjunto de datos de entrenamiento. El aprendizaje supervisado es donde tiene variables de entrada y una variable de salida y utiliza un algoritmo para aprender la función de mapeo de la entrada a la salida. El objetivo es aproximar la función de mapeo para que cuando tengamos nuevos datos de entrada podamos predecir las variables de salida para esos datos.
El aprendizaje no supervisado es modelar la estructura o distribución subyacente u oculta en los datos para aprender más sobre los datos. El aprendizaje no supervisado es donde solo tiene datos de entrada y no hay variables de salida correspondientes.
Conjunto de datos de capacitación: conjunto de ejemplos utilizados para el aprendizaje, donde se conoce el valor objetivo.
Comparación directa entre aprendizaje supervisado y aprendizaje no supervisado (infografía)
A continuación se muestra la comparación entre los 7 principales entre el aprendizaje supervisado y el aprendizaje no supervisado
Diferencias clave entre el aprendizaje supervisado y el aprendizaje no supervisado
A continuación se encuentran las listas de puntos, describa las diferencias clave entre el Aprendizaje supervisado y el Aprendizaje no supervisado
1. Los algoritmos de aprendizaje automático descubren patrones en big data. Estos algoritmos diferentes se pueden clasificar en dos categorías según la forma en que "aprenden" sobre los datos para hacer predicciones. Esos son aprendizaje supervisado y no supervisado.
2. En el aprendizaje supervisado, el científico actúa como una guía para enseñarle al algoritmo qué conclusiones o predicciones debería llegar. En el aprendizaje no supervisado, no hay una respuesta correcta, no hay un maestro, los algoritmos se dejan solos para descubrir y presentar la interesante estructura oculta en los datos.
3. El modelo de aprendizaje supervisado utilizará los datos de capacitación para aprender un vínculo entre la entrada y las salidas.
4. El aprendizaje no supervisado no utiliza datos de salida. En el aprendizaje no supervisado, no habrá ningún conocimiento previo etiquetado, mientras que en el aprendizaje supervisado tendrá acceso a las etiquetas y tendrá conocimiento previo sobre los conjuntos de datos.
5. Aprendizaje supervisado: la idea es que la capacitación se pueda generalizar y que el modelo se pueda utilizar en nuevos datos con cierta precisión.
6. Algoritmos de aprendizaje supervisados: máquina de vectores de soporte, regresión lineal y logística, red neuronal, árboles de clasificación y bosque aleatorio, etc.
7. Los algoritmos no supervisados se pueden dividir en diferentes categorías: algoritmos de clúster, medios K, agrupación jerárquica, algoritmos de reducción dimensional, detecciones de anomalías, etc.
8. Área de clasificación y regresión algoritmos ampliamente utilizados en el aprendizaje supervisado. Las máquinas de vectores de soporte (SVM) son modelos supervisados de aprendizaje automático con algoritmos de aprendizaje asociados, que pueden usarse para fines de clasificación y regresión, pero se usan principalmente para problemas de clasificación.
9.En el modelo SVM, graficamos cada elemento de datos como un punto en el espacio n-dimensional (donde n son las características que tenemos) con los valores de cada característica como el valor de una coordenada particular. Luego, la clasificación se realiza al encontrar el hiperplano que diferencia las dos clases.
10. El objetivo principal de los algoritmos de regresión es predecir el valor discreto o continuo. En algunos casos, el valor predicho se puede usar para identificar la relación lineal entre los atributos. En función del problema, se pueden utilizar algoritmos de regresión de diferencia. Algunos de los algoritmos básicos de regresión son regresión lineal, regresión polinómica, etc.
11. La agrupación se usa ampliamente en el aprendizaje no supervisado. La agrupación es la tarea de dividir los puntos de datos en una cantidad de grupos, de modo que los mismos puntos de rasgos estén juntos en forma de agrupación. Hay muchos más algoritmos de agrupamiento; Algunos de ellos son modelos de conectividad, modelos de centroide, modelos de distribución y modelos de densidad.
12. La agrupación jerárquica viene bajo aprendizaje no supervisado. La agrupación jerárquica, como su nombre lo indica, es un algoritmo que construye una jerarquía de agrupaciones. Este algoritmo comienza con todos los puntos de datos asignados a un grupo propio. Luego, dos grupos más cercanos se fusionan en el mismo grupo. Al final, este algoritmo termina cuando solo queda un clúster.
13.KMeans viene bajo un método de agrupamiento no supervisado. Los datos se dividirán en k grupos, en función de sus características. Cada grupo está representado por su centroide, definido como el centro de los puntos en el grupo. KMeans es simple y rápido, pero no produce el mismo resultado con cada ejecución.
14.Para comprender mejor el aprendizaje supervisado y el aprendizaje no supervisado, tomemos ejemplos de la vida real. Aprendizaje supervisado: tomemos como ejemplo una de las funciones de Gmail, que es un correo no deseado. Según la información anterior sobre correos electrónicos no deseados, filtrar un nuevo correo electrónico entrante en la carpeta Bandeja de entrada o en la carpeta Basura. En este escenario, Gmail se modela como una función de mapeo para segregar el correo entrante en función del conocimiento previo sobre los correos, esto es aprendizaje supervisado.
15. Aprendizaje no supervisado: supongamos que una amiga te invita a su fiesta, donde conocerás gente nueva. Ahora los clasificará sin conocimientos previos (aprendizaje no supervisado) y esta clasificación podría estar en cualquier rasgo. Puede ser grupo de edad, género, vestimenta, calificación educativa o la forma que desee. Como no usó ningún conocimiento previo sobre las personas y las clasificó, se trata de un aprendizaje no supervisado.
Tabla comparativa de aprendizaje supervisado versus aprendizaje no supervisado
| Aprendizaje supervisado | Aprendizaje sin supervisión | |
|
Método | Se darán variables de entrada y variables de salida. | Solo se proporcionarán datos de entrada |
|
Objetivo | El objetivo de aprendizaje supervisado es determinar la función tan bien que cuando se da un nuevo conjunto de datos de entrada, se puede predecir la salida. | El objetivo de aprendizaje no supervisado es modelar los patrones ocultos o la estructura subyacente en los datos de entrada dados para aprender sobre los datos. |
|
Clase | Problemas de aprendizaje automático, minería de datos y red neuronal, | Aprendizaje automático, minería de datos, problemas y red neuronal |
|
Ejemplos |
|
|
| Quien usa | Científicos de datos | Científicos de datos |
|
Ecosistemas |
Procesamiento de Big Data, minería de datos, etc. | Procesamiento de Big Data, minería de datos, etc. |
|
Usos |
El aprendizaje supervisado se usa a menudo para sistemas de exportación en reconocimiento de imágenes, reconocimiento de voz, pronósticos, análisis financieros y capacitación de redes neuronales y árboles de decisión, etc. | Los algoritmos de aprendizaje no supervisados se utilizan para procesar previamente los datos, durante el análisis exploratorio o para entrenar previamente los algoritmos de aprendizaje supervisados. |
Conclusión - Aprendizaje supervisado vs Aprendizaje no supervisado
La elección de utilizar un algoritmo de aprendizaje automático supervisado o no supervisado generalmente depende de factores relacionados con la estructura y el volumen de sus datos y el caso de uso. En realidad, la mayoría de las veces, los científicos de datos utilizan los enfoques de Aprendizaje supervisado y Aprendizaje no supervisado juntos para resolver el caso de uso.
Artículo recomendado
Esta ha sido una guía para el aprendizaje supervisado versus el aprendizaje no supervisado, su significado, comparación directa, diferencias clave, tabla de comparación y conclusión. También puede consultar los siguientes artículos para obtener más información:
- La mejor comparación 7 entre el aprendizaje supervisado y el aprendizaje por refuerzo
- 5 diferencia más útil entre ciencia de datos vs aprendizaje automático
- Aprenda las 10 mejores diferencias entre Map Reduce vs Yarn
- MapReduce vs Apache Spark- 20 comparaciones útiles para aprender
- ¿Qué es el aprendizaje por refuerzo?