Was ist der Unterschied zwischen überwachtem Lernen und unüberwachtem Lernen?

Question

Was ist der Unterschied zwischen überwachtem und unüberwachtem Lernen im Bereich der künstlichen Intelligenz und des maschinellen Lernens? Können Sie eine einfache Erklärung mit einem Beispiel geben?

Answer 1

Zum Beispiel ist das Training eines neuronalen Netzes sehr oft überwachtes Lernen: Sie sagen dem Netz, welcher Klasse der von Ihnen eingegebene Merkmalsvektor entspricht.

Clustering ist unüberwachtes Lernen: Sie überlassen dem Algorithmus die Entscheidung, wie er Proben in Klassen mit gemeinsamen Eigenschaften gruppieren soll.

Ein weiteres Beispiel für unüberwachtes Lernen ist Kohonens selbstorganisierende Karten .

Answer 2

Ich habe die Unterscheidung zwischen unüberwachtem und überwachtem Lernen immer als willkürlich und ein wenig verwirrend empfunden. Es gibt keine wirkliche Unterscheidung zwischen den beiden Fällen, stattdessen gibt es eine Reihe von Situationen, in denen ein Algorithmus mehr oder weniger "überwacht" sein kann. Die Existenz des halbüberwachten Lernens ist ein offensichtliches Beispiel, bei dem die Grenze verwischt ist.

Ich sehe die Überwachung eher als Rückmeldung an den Algorithmus, welche Lösungen bevorzugt werden sollten. In einer traditionellen überwachten Umgebung, wie z. B. der Spam-Erkennung, sagt man dem Algorithmus "Mach keine Fehler in der Trainingsmenge" Bei einem traditionellen unüberwachten Verfahren, wie dem Clustering, sagen Sie dem Algorithmus "Punkte, die nahe beieinander liegen, sollten im selben Cluster sein". . Zufälligerweise ist die erste Form des Feedbacks sehr viel spezifischer als die zweite.

Kurz gesagt, wenn jemand "überwacht" sagt, denken Sie an Klassifizierung, wenn jemand "unüberwacht" sagt, denken Sie an Clustering und versuchen Sie, sich darüber hinaus nicht zu viele Gedanken zu machen.

Answer 3

Überwachtes Lernen

Das überwachte Lernen basiert auf dem Training einer Datenprobe aus einer Datenquelle, der bereits eine korrekte Klassifizierung zugewiesen wurde. Solche Techniken werden in Feedforward- oder MultiLayer Perceptron (MLP) Modellen verwendet. Diese MLP haben drei charakteristische Eigenschaften:

1. Eine oder mehrere Schichten von versteckten Neuronen, die nicht Teil der Eingabe sind oder Ausgabeschichten des Netzes gehören, die es dem Netz ermöglichen, zu lernen und komplexe Probleme zu lösen
2. Die Nichtlinearität, die sich in der neuronalen Aktivität widerspiegelt, ist differenzierbar und,
3. Das Zusammenschaltungsmodell des Netzes weist einen hohen Grad an Konnektivität auf.

Diese Eigenschaften und das Lernen durch Ausbildung schwierige und vielfältige Probleme zu lösen. Lernen durch Training in einem überwachten ANN-Modell wird auch als Error-Backpropagation-Algorithmus bezeichnet. Der Fehlerkorrektur-Lernalgorithmus Der Fehlerkorrektur-Lernalgorithmus trainiert das Netz auf der Grundlage der Eingabe-Ausgabe und findet das Fehlersignal, d.h. die Differenz zwischen der der berechneten Ausgabe und der gewünschten Ausgabe ist, und passt die die synaptischen Gewichte der Neuronen an, die proportional zum Produkt aus dem Fehlersignal und der Eingangsinstanz des synaptischen Gewichtes. Auf der Grundlage dieses Prinzips erfolgt das Fehler Ausbreitungslernen in zwei Durchgängen:

Vorwärtspass:

Hier wird dem Netz ein Eingangsvektor präsentiert. Dieses Eingangssignal pflanzt sich Neuron für Neuron durch das Netz fort und erscheint am Ausgang des Netzes als des Netzwerks als Ausgangssignal: y(n) = (v(n)) wobei v(n) ist das induzierte lokale Feld eines Neurons, definiert durch v(n) = w(n)y(n). Die in der Ausgabeschicht o(n) berechnete Ausgabe wird mit der gewünschten Antwort verglichen d(n) und findet den Fehler e(n) für dieses Neuron. Die synaptischen Gewichte des Netzes bleiben während dieses Durchgangs gleich.

Rückwärtspass:

Das Fehlersignal, das am Ausgangsneuron dieser Schicht entsteht, wird rückwärts durch das Netz propagiert. Auf diese Weise wird der lokale Gradient für jedes Neuron in jeder Schicht berechnet, und die synaptischen Gewichte des Netzes können gemäß der Delta-Regel wie folgt geändert werden:

w(n) =  * (n) * y(n).

Diese rekursive Berechnung wird fortgesetzt, mit einem Vorwärtsdurchlauf, gefolgt von einem Rückwärtsdurchlauf für jedes Eingabemuster, bis das Netz konvergiert.

Das überwachte Lernparadigma eines ANN ist effizient und findet Lösungen für verschiedene lineare und nichtlineare Probleme wie Klassifizierung, Anlagensteuerung, Prognosen, Vorhersagen, Robotik usw.

Unüberwachtes Lernen

Selbstorganisierende neuronale Netze lernen mit einem unüberwachten Lernalgorithmus, um verborgene Muster in unmarkierten Eingabedaten zu erkennen. Diese Unüberwachtheit bezieht sich auf die Fähigkeit, Informationen zu lernen und zu organisieren, ohne ein Fehlersignal zur Bewertung der potenziellen Lösung zu liefern. Das Fehlen von Vorgaben für den Lernalgorithmus beim unüberwachten Lernen kann in manchen Fällen von Vorteil sein, da der Algorithmus so nach Mustern suchen kann, die zuvor nicht berücksichtigt wurden. Die wichtigsten Merkmale von Self-Organizing Maps (SOM) sind:

1. Es wandelt ein eingehendes Signalmuster beliebiger Dimension in ein- oder 2-dimensionale Karte und führt diese Transformation adaptiv durch
2. Das Netz stellt eine Feedforward-Struktur mit einer einzigen Rechenschicht, die aus in Zeilen und Spalten angeordneten Neuronen Spalten. In jeder Phase der Darstellung wird jedes Eingangssignal in seinem richtigen Kontext gehalten und,
3. Neuronen, die sich mit eng verwandten Informationen befassen, sind eng zusammen und kommunizieren über synaptische Verbindungen.

Die Berechnungsschicht wird auch als Wettbewerbsschicht bezeichnet, da die Neuronen in der Schicht miteinander konkurrieren, um aktiv zu werden. Daher wird dieser Lernalgorithmus auch als kompetitiver Algorithmus bezeichnet. Unüberwachter Algorithmus in SOM arbeitet in drei Phasen:

Wettbewerbsphase:

für jedes Eingabemuster x die dem Netz präsentiert werden, das innere Produkt mit dem synaptischen Gewicht w berechnet, und die Neuronen in der Wettbewerbsschicht finden eine Diskriminanzfunktion, die einen Wettbewerb zwischen den Neuronen auslöst, und der synaptische Gewichtsvektor, der dem Eingangsvektor im euklidischen Abstand am nächsten kommt, wird als Gewinner des Wettbewerbs bekannt gegeben. Dieses Neuron wird als bestes passendes Neuron bezeichnet,

i.e. x = arg min x - w.

Kooperative Phase:

das gewinnende Neuron bestimmt das Zentrum einer topologischen Nachbarschaft h von kooperierenden Neuronen. Dies geschieht durch die laterale Interaktion d unter den kooperativen Neuronen. Diese topologische Nachbarschaft verkleinert sich über einen bestimmten Zeitraum.

Anpassungsphase:

ermöglicht es dem Gewinnerneuron und seinen Nachbarneuronen, ihre individuellen Werte der Unterscheidungsfunktion in Bezug auf das Eingabemuster zu erhöhen durch geeignete synaptische Gewichtsanpassungen zu erhöhen,

 w = h(x)(x –w).

Bei wiederholter Präsentation der Trainingsmuster neigen die synaptischen Gewichtsvektoren dazu, der Verteilung der Eingabemuster aufgrund der Aktualisierung der Nachbarschaft zu folgen, so dass das ANN ohne Supervisor lernt.

Das selbstorganisierende Modell stellt auf natürliche Weise das neurobiologische Verhalten dar und wird daher in vielen realen Anwendungen wie Clustering, Spracherkennung, Textursegmentierung, Vektorkodierung usw. eingesetzt.

Referenz.

Answer 4

Es gibt bereits viele Antworten, die die Unterschiede im Detail erklären. Ich fand diese Gifs auf codeacademy und sie helfen mir oft, die Unterschiede zu erklären.

Überwachtes Lernen

Beachten Sie, dass die Trainingsbilder hier beschriftet sind und dass das Modell die Namen der Bilder lernt.

Unüberwachtes Lernen

Beachten Sie, dass es sich hier nur um eine Gruppierung (Clustering) handelt und dass das Modell nichts über ein Bild weiß.

Answer 5

Maschinelles Lernen: Solche Algorithmen arbeiten, indem sie ein Modell aus Beispieleingaben aufbauen, um datengesteuerte Vorhersagen oder Entscheidungen zu treffen, die als Ausgaben ausgedrückt werden, anstatt streng statischen Programmanweisungen zu folgen.

Überwachtes Lernen: Die Aufgabe des maschinellen Lernens besteht darin, eine Funktion aus gekennzeichneten Trainingsdaten abzuleiten, wobei die Trainingsdaten aus einer Reihe von Trainingsbeispielen bestehen. Beim überwachten Lernen ist jedes Beispiel ein Paar, das aus einem Eingabeobjekt (in der Regel ein Vektor) und einem gewünschten Ausgabewert (auch Überwachungssignal genannt) besteht. Ein überwachter Lernalgorithmus analysiert die Trainingsdaten und erzeugt eine abgeleitete Funktion, die für die Zuordnung neuer Beispiele verwendet werden kann.

Das Ziel besteht darin, eine allgemeine Regel zu erlernen, die die Eingaben auf die Ausgaben abbildet. Ein überwachter Lernalgorithmus geht von einem bekannten Satz von Eingabedaten und bekannten Reaktionen auf die Daten (Ausgaben) aus und trainiert ein Modell, um angemessene Vorhersagen für die Reaktion auf neue Daten zu erstellen.

Unüberwachtes Lernen: Das ist Lernen ohne Lehrer. Eine grundlegende was man mit Daten machen kann, ist, sie zu visualisieren. Die Aufgabe des maschinellen Lernens besteht darin, aus unbeschrifteten Daten eine Funktion abzuleiten, die eine verborgene Struktur beschreibt. Da die Beispiele, die dem Lernenden gegeben werden, nicht beschriftet sind, gibt es kein Fehler- oder Belohnungssignal, um eine mögliche Lösung zu bewerten. Dies unterscheidet das unüberwachte Lernen vom überwachten Lernen. Unüberwachtes Lernen verwendet Verfahren, die versuchen, natürliche Partitionen von Mustern zu finden. von Mustern zu finden.

Beim unüberwachten Lernen gibt es kein Feedback zu den Vorhersageergebnissen, d. h. es gibt keinen Lehrer, der Sie korrigiert. Bei den unüberwachten Lernmethoden werden keine markierten Beispiele bereitgestellt und es gibt keine Vorstellung von der Ausgabe während des Lernprozesses. Folglich ist es Sache des Lernschemas/Modells, Muster zu finden oder die Gruppen der Eingabedaten zu entdecken.

Sie sollten unüberwachte Lernmethoden verwenden, wenn Sie eine große Datenmenge zum Trainieren Ihrer Modelle und die Bereitschaft und Fähigkeit die Bereitschaft und die Fähigkeit zu experimentieren und zu erforschen, und natürlich eine Herausforderung Mit unüberwachtem Lernen ist es möglich, größere und komplexere Modelle zu lernen. ist es möglich, größere und komplexere Modelle zu lernen als beim überwachten Lernen. こちら ist ein gutes Beispiel dafür

.