Негизги айырмасы – Көзөмөлдөнгөн жана Көзөмөлсүз Машина үйрөнүү
Көзөмөлдөнгөн окутуу жана көзөмөлсүз окутуу - бул машина үйрөнүүнүн эки негизги түшүнүгү. Көзөмөлгө алынган окутуу - бул киргизүү-чыгарма түгөйлөрүнүн мисалында киргизүүнү чыгарууга картага түшүрүүчү функцияны үйрөнүү боюнча Machine Learning тапшырмасы. Көзөмөлсүз окутуу - бул белгиленбеген маалыматтардан жашырылган структураны сүрөттөө үчүн функцияны чыгаруучу Machine Learning тапшырмасы. Көзөмөлдөнгөн жана көзөмөлсүз машина үйрөнүү ортосундагы негизги айырма, көзөмөлдөнгөн окутуу энбелгиленген дайындарды колдонот, ал эми көзөмөлсүз окутуу белгиленбеген дайындарды колдонот.
Машинаны үйрөнүү - бул компьютердик системага так программаланбастан берилиштерден үйрөнүү мүмкүнчүлүгүн берген Информатика тармагындагы тармак. Бул маалыматтарды талдоо жана андагы үлгүлөрдү алдын ала айтууга мүмкүндүк берет. Машина үйрөнүүнүн көптөгөн колдонмолору бар. Алардын айрымдары жүзүн таануу, жаңсоо таануу жана кеп таануу. Машинаны үйрөнүүгө байланыштуу ар кандай алгоритмдер бар. Алардын айрымдары регрессия, классификация жана кластерлөө. Машина үйрөнүүсүнө негизделген тиркемелерди иштеп чыгуу үчүн эң кеңири таралган программалоо тилдери R жана Python болуп саналат. Java, C++ жана Matlab сыяктуу башка тилдерди да колдонсо болот.
Көзөмөлдөнгөн окутуу деген эмне?
Машина үйрөнүүсүнө негизделген системаларда модель алгоритм боюнча иштейт. Көзөмөлдөнгөн окутууда модель көзөмөлдөнөт. Биринчиден, бул моделди окутуу үчүн талап кылынат. Алынган билим менен, ал келечектеги учурларга жооп бере алат. Модель энбелгиленген маалымат топтомун колдонуу менен үйрөтүлөт. Системага үлгүдөн тышкаркы маалыматтар берилгенде, ал натыйжаны алдын ала айта алат. Төмөндө популярдуу IRIS берилиштер топтомунан кичинекей үзүндү.
Жогорудагы таблицага ылайык, Сепалдын узундугу, Сепалдын туурасы, Пателдин узундугу, Пателдин кеңдиги жана Түрлөр атрибуттар деп аталат. Мамычалар өзгөчөлүк катары белгилүү. Бир катарда бардык атрибуттар үчүн маалыматтар бар. Ошондуктан, бир катар байкоо деп аталат. Маалыматтар сандык же категориялык болушу мүмкүн. Моделге киргизүү катары тиешелүү түрдүн аталышы менен байкоолор берилет. Жаңы байкоо берилгенде, модель анын кайсы түргө таандык экенин алдын ала айтышы керек.
Көзөмөлдөнгөн окутууда классификация жана регрессия үчүн алгоритмдер бар. Классификация - бул белгиленген маалыматтарды классификациялоо процесси. Модель маалыматтардын категорияларын бөлүп турган чектерди түзгөн. Модельге жаңы маалыматтар берилгенде, ал чекит бар болгон жерге жараша категорияларга бөлүнөт. The K-Nearest Neighbors (KNN) классификация модели болуп саналат. k маанисине жараша категория чечилет. Мисалы, k 5 болгондо, белгилүү бир маалымат чекити А категориясындагы сегиз маалымат чекитине жана В категориясындагы алты маалымат чекитине жакын болсо, анда маалымат чекити A катары классификацияланат.
Регрессия – жаңы маалыматтардын жыйынтыгын болжолдоо үчүн мурунку маалыматтардын тенденциясын болжолдоо процесси. Регрессияда чыгаруу бир же бир нече үзгүлтүксүз өзгөрмөлөрдөн турушу мүмкүн. Божомолдоо көпчүлүк маалымат чекиттерин камтыган сызык аркылуу жүргүзүлөт. Эң жөнөкөй регрессия модели сызыктуу регрессия. Бул тез жана KNN сыяктуу жөндөө параметрлерин талап кылбайт. Эгерде маалыматтар параболикалык трендди көрсөтсө, анда сызыктуу регрессия модели ылайыктуу эмес.
Бул көзөмөлдөнгөн үйрөнүү алгоритмдеринин айрым мисалдары. Жалпысынан алганда, көзөмөлгө алынган окутуу ыкмаларынан алынган натыйжалар так жана ишенимдүү, анткени киргизилген маалыматтар жакшы белгилүү жана белгиленген. Ошондуктан, машина жашыруун үлгүлөрдү гана талдап чыгышы керек.
Көзөмөлсүз окутуу деген эмне?
Көзөмөлсүз окутууда модель көзөмөлдөнбөйт. Модель натыйжаларды алдын ала айтуу үчүн өз алдынча иштейт. Ал белгиленбеген маалыматтар боюнча жыйынтыкка келүү үчүн машина үйрөнүү алгоритмдерин колдонот. Жалпысынан, көзөмөлсүз окутуу алгоритмдери көзөмөлдөгү окутуу алгоритмдерине караганда кыйыныраак, анткени маалымат аз. Кластерлөө – көзөмөлсүз окутуунун бир түрү. Ал алгоритмдердин жардамы менен белгисиз маалыматтарды топтоо үчүн колдонсо болот. k-орто жана тыгыздыкка негизделген кластерлөө эки кластерлөө алгоритми.
k-орто алгоритм, ар бир кластер үчүн k центроидди туш келди жайгаштырат. Андан кийин ар бир маалымат чекити эң жакын центроидге дайындалат. Евклиддик аралык маалымат чекитинен центроидге чейинки аралыкты эсептөө үчүн колдонулат. Маалымат пункттары топторго бөлүнөт. k центроиддер үчүн позициялар кайра эсептелет. Жаңы центроиддик абал топтун бардык пункттарынын орточо мааниси менен аныкталат. Кайрадан ар бир маалымат чекити эң жакын центроидге дайындалат. Бул процесс центроиддер өзгөрбөй калганга чейин кайталанат. k-орточо – тез кластерлөө алгоритми, бирок кластердик чекиттерди инициализациялоонун так көрсөтүлгөн эмес. Ошондой эле, кластердик чекиттерди инициализациялоого негизделген кластердик моделдердин көп вариациясы бар.
Дагы бир кластерлөө алгоритми - тыгыздыкка негизделген кластерлөө. Ал ошондой эле ызы-чуу менен тыгыздыкка негизделген мейкиндик кластерлөө колдонмолору катары белгилүү. Бул тыгыздык туташкан чекиттердин максималдуу топтому катары кластерди аныктоо менен иштейт. Алар тыгыздыкка негизделген кластерлөө үчүн колдонулган эки параметр. Алар Ɛ (эпсилон) жана минималдуу упайлар. Ɛ - коңшулуктун максималдуу радиусу. Минималдуу упайлар - бул кластерди аныктоо үчүн Ɛ микрорайонундагы пункттардын минималдуу саны. Бул көзөмөлсүз окутууга кирген кластерлердин айрым мисалдары.
Жалпысынан, көзөмөлсүз үйрөнүү алгоритмдеринен алынган натыйжалар анча так жана ишенимдүү эмес, анткени машина жашыруун калыптарды жана функцияларды аныктоодон мурун киргизүү дайындарын аныктап, белгилөө керек.
Көзөмөлдөнгөн жана көзөмөлсүз машина үйрөнүүнүн кандай окшоштугу бар?
Көзөмөлдөнгөн да, көзөмөлсүз да окутуу машина менен үйрөнүүнүн бир түрү
Көзөмөлдөнгөн жана көзөмөлсүз машина үйрөнүүнүн ортосунда кандай айырма бар?
Көзөмөлдөнгөн жана көзөмөлсүз машина үйрөнүү |
|
| Көзөмөлдөнгөн окутуу – бул киргизүү-чыгарма түгөйлөрүнүн мисалдарынын негизинде чыгарууну картага түшүргөн функцияны үйрөнүү боюнча Machine Learning тапшырмасы. | Көзөмөлсүз окутуу – бул белгиленбеген берилиштерден жашырылган түзүлүштү сүрөттөө үчүн функцияны чыгаруучу Machine Learning тапшырмасы. |
| Негизги функция | |
| Көзөмөлдөнгөн окутууда модел белгиленген киргизүү дайындарынын негизинде жыйынтыкты болжолдойт. | Көзөмөлсүз окутууда модел үлгүлөрдү өз алдынча аныктоо менен жыйынтыкты белгилөөсүз дайындайт. |
| Натыйжалардын тактыгы | |
| Көзөмөлдөнгөн окутуу ыкмаларынан алынган натыйжалар так жана ишенимдүү. | Көзөмөлсүз окутуу ыкмаларынан алынган натыйжалар анча так жана ишенимдүү эмес. |
| Негизги алгоритмдер | |
| Көзөмөлдөнгөн окутууда регрессия жана классификация үчүн алгоритмдер бар. | Көзөмөлсүз окутууда кластерлөө үчүн алгоритмдер бар. |
Корытынды – Көзөмөлдөнгөн жана Көзөмөлсүз Машина үйрөнүү
Көзөмөлдөнгөн окутуу жана көзөмөлсүз окутуу - бул машина үйрөнүүнүн эки түрү. Көзөмөлгө алынган окутуу – бул киргизүү-чыгарма жуптарынын мисалдарынын негизинде чыгарууга киргизүүнү картага түшүрүүчү функцияны үйрөнүү боюнча Machine Learning тапшырмасы. Көзөмөлсүз окутуу - бул белгиленбеген маалыматтардан жашырылган структураны сүрөттөө үчүн функцияны чыгаруучу Machine Learning тапшырмасы. Көзөмөлдөнгөн жана көзөмөлдөнбөгөн машиналык үйрөнүүнүн айырмасы, көзөмөлдөнгөн окутууда энбелгиленген дайындар колдонулат, ал эми көзөмөлсүз таянуу белгиленбеген дайындарды колдонот.
