L'aprenentatge supervisat i no supervisat són dos tipus fonamentals de paradigmes d'aprenentatge automàtic que tenen propòsits diferents segons la naturalesa de les dades i els objectius de la tasca en qüestió. Entendre quan s'ha d'utilitzar la formació supervisada versus la formació no supervisada és crucial per dissenyar models d'aprenentatge automàtic efectius. L'elecció entre aquests dos enfocaments depèn de la disponibilitat de dades etiquetades, del resultat desitjat i de l'estructura subjacent del conjunt de dades.
L'aprenentatge supervisat és un tipus d'aprenentatge automàtic on el model s'entrena en un conjunt de dades etiquetat. En l'aprenentatge supervisat, l'algoritme aprèn a mapejar les dades d'entrada a la sortida correcta presentant-se amb exemples d'entrenament. Aquests exemples d'entrenament consisteixen en parells d'entrada-sortida, on les dades d'entrada s'acompanyen de la sortida correcta o del valor objectiu corresponent. L'objectiu de l'aprenentatge supervisat és aprendre una funció de mapeig de variables d'entrada a variables de sortida, que després es poden utilitzar per fer prediccions sobre dades no vistes.
L'aprenentatge supervisat s'utilitza normalment quan es coneix la sortida desitjada i l'objectiu és aprendre la relació entre les variables d'entrada i de sortida. S'aplica habitualment en tasques com la classificació, on l'objectiu és predir les etiquetes de classe de noves instàncies, i la regressió, on l'objectiu és predir un valor continu. Per exemple, en un escenari d'aprenentatge supervisat, podeu entrenar un model per predir si un correu electrònic és correu brossa o no en funció del contingut del correu electrònic i de l'estat de correu brossa/no brossa etiquetat dels correus electrònics anteriors.
D'altra banda, l'aprenentatge no supervisat és un tipus d'aprenentatge automàtic on el model s'entrena en un conjunt de dades sense etiquetar. En l'aprenentatge no supervisat, l'algoritme aprèn patrons i estructures a partir de les dades d'entrada sense comentaris explícits sobre la sortida correcta. L'objectiu de l'aprenentatge no supervisat és explorar l'estructura subjacent de les dades, descobrir patrons ocults i extreure coneixements significatius sense necessitat de dades etiquetades.
L'aprenentatge no supervisat s'utilitza habitualment quan l'objectiu és explorar les dades, trobar patrons ocults i agrupar punts de dades similars. Sovint s'aplica en tasques com l'agrupació, on l'objectiu és agrupar punts de dades similars en clústers en funció de les seves característiques, i la reducció de la dimensionalitat, on l'objectiu és reduir el nombre de característiques alhora que es preserva la informació essencial de les dades. Per exemple, en un escenari d'aprenentatge no supervisat, podeu utilitzar l'agrupació per agrupar clients en funció del seu comportament de compra sense cap coneixement previ dels segments de clients.
L'elecció entre aprenentatge supervisat i no supervisat depèn de diversos factors. Si teniu un conjunt de dades etiquetat i voleu predir resultats específics, l'aprenentatge supervisat és l'opció adequada. D'altra banda, si teniu un conjunt de dades sense etiquetar i voleu explorar l'estructura de dades o trobar patrons ocults, l'aprenentatge no supervisat és més adequat. En alguns casos, es pot utilitzar una combinació de tècniques supervisades i no supervisades, conegudes com a aprenentatge semisupervisat, per aprofitar els beneficis d'ambdós enfocaments.
La decisió d'utilitzar formació supervisada versus formació no supervisada en aprenentatge automàtic depèn de la disponibilitat de dades etiquetades, de la naturalesa de la tasca i del resultat desitjat. Entendre les diferències entre l'aprenentatge supervisat i no supervisat és essencial per dissenyar models d'aprenentatge automàtic efectius que puguin extreure coneixements significatius i fer prediccions precises a partir de les dades.
Altres preguntes i respostes recents sobre EITC/AI/GCML Google Cloud Machine Learning:
- Què és el text a veu (TTS) i com funciona amb IA?
- Quines són les limitacions de treballar amb grans conjunts de dades en l'aprenentatge automàtic?
- L'aprenentatge automàtic pot fer una mica d'ajuda dialògica?
- Què és el pati TensorFlow?
- Què significa realment un conjunt de dades més gran?
- Quins són alguns exemples d'hiperparàmetres d'algorisme?
- Què és l'aprenentatge ensamble?
- Què passa si un algorisme d'aprenentatge automàtic escollit no és adequat i com es pot assegurar-se de seleccionar-ne l'adequat?
- Un model d'aprenentatge automàtic necessita supervisió durant la seva formació?
- Quins són els paràmetres clau utilitzats en algorismes basats en xarxes neuronals?
Consulta més preguntes i respostes a EITC/AI/GCML Google Cloud Machine Learning