Denetimli ve Denetimsiz Öğrenme Arasındaki Fark

giriiş

Makine öğrenimi, yapay zeka ve veri analitiği gibi teknolojiler, karmaşık görevleri otomatikleştirmek için verilerden yararlanır. Verilerin kullanımı yalnızca rakiplerin önüne geçmek, daha iyi müşteri hizmetleri sağlamak ve etkili iş stratejileri oluşturmak için işleme ve yorumlama ile sınırlı değildir, aynı zamanda modelleri eğitmek, test etmek ve değerlendirmek için de geçerlidir. Makine öğreniminde veriler, eğitim verileri, doğrulama verileri ve test verileri olmak üzere üç kategoriye ayrılır. Adından da anlaşılacağı gibi, eğitim verileri makine öğreniminde bir modeli veya bir algoritmayı eğitir. Model, girdi ve çıktı eğitim veri kümelerinden öğrenir ve sınıflandırmayı tahmin eder veya belirli görevleri gerçekleştirir. Bir algoritmanın hem denetimli hem de denetimsiz öğrenmeleri için eğitim verilerini kullanırız.

ABD'deki AI ve ML Programlarımız

Bu blog, makine öğreniminin bu iki geniş kategorisini - denetimli ve denetimsiz öğrenmeyi ve bunların farklılıklarını ayrıntılı olarak tartışıyor.

Dünyanın En İyi Üniversitelerinden Makine Öğrenimi Sertifikası Alın. Kariyerinizi hızlandırmak için Master, Executive PGP veya Gelişmiş Sertifika Programları kazanın.

Denetimli Öğrenme nedir?

Makine öğrenimi ve yapay zekanın bir alt kümesi olan denetimli öğrenme, algoritmaları eğitmek için etiketli verileri kullanan bir algoritma öğretim tekniğidir. Algoritmalara veri kümelerinde sınıflandırma ve regresyon gibi görevlerin nasıl gerçekleştirileceğini öğretir. Denetimli öğrenmede, algoritma girdi-çıktı eğitim örneklerini alır ve bu örnekleri veri kümeleri arasında bir ilişki kurmak için kullanır. Denetim altında görevleri gerçekleştirmek için algoritmaya etiketli eğitim verileri sağladığımızdan, buna denetimli öğrenme adını veriyoruz. Denetimli öğrenmenin temel amacı, girdi ve çıktı arasındaki ilişkiyi anlamak için algoritmaya veri beslemektir. Algoritma, girdi ve çıktı arasında bir bağlantı kurduğunda, daha yeni girdilerden yeni sonuçları doğru bir şekilde sunabilir.

Denetimli öğrenmenin nasıl çalıştığını anlayalım. Bir makine öğrenimi algoritmasında bir X girdimiz ve bir Y çıktımız olduğunu varsayalım. Bir modeldeki bir öğrenme sistemine X girdisini besliyoruz veya sağlıyoruz. Bu öğrenme sistemi bir Y' çıktısı verecektir. Sistemdeki bir hakem Y ve Y' arasındaki farkı kontrol eder ve bir hata sinyali üretir. Bu sinyal, Y ve Y' arasındaki farkı anlayan ve Y ile Y' arasındaki farkı azaltmak için parametreleri ayarlayan öğrenme sistemine geçer. Burada Y, etiketlenmiş veridir.

Denetimli öğrenme süreci birden fazla adımı içerir.

• İlk olarak, eğitim veri seti türünü belirlemeli ve ardından etiketlenmiş eğitim verilerini toplamalıyız. Ayrıca sınıflandırma veya regresyon için verileri farklı şekilde düzenlememiz gerekir.
• Bir sonraki adım, bir destek vektör makinesi veya karar ağacı gibi denetimli öğrenme için bir algoritma kullanmak ve ardından öğrenme modeli için girdi özelliklerini belirlemektir.
• Şimdi, öğrenme sürecini yürütün ve parametreleri ayarlayın veya kontrol edin.
• Son adım, modelin doğruluğunu test etmeyi içerir.

Denetimli öğrenme sürecinin tamamı, parametreleri ayarlamak için öğrenme sistemini eğitir, böylece algoritma minimum bir çıktı farkı sağlar. Denetimli öğrenme, veri madenciliğinde iki karmaşık süreci kolaylaştırır: sınıflandırma ve regresyon. Sınıflandırmada, veriler spam filtreleri gibi benzer özniteliklere dayalı olarak farklı sınıflarda sınıflandırılır veya etiketlenir. Örneğin, borsa veya kalp atış hızı gibi sürekli gözlemleri tahmin etmek için regresyon kullanırız. Regresyon gerçek sayı değerleri verir.

Aşağıdakiler, denetimli öğrenme algoritmalarının farklı türleridir:

• Naive Bayes: - Naive Bayes Sınıflandırıcısı, Bayes teoremine dayanmaktadır. Bu algoritma, bir sınıfın tüm özelliklerinin birbirinden bağımsız olduğunu varsayar. Naive Bayes sınıflandırıcı, sınıflandırmayı tahmin etmek için koşullu olasılık yöntemini kullanır.
• Destek Vektör Makinesi: - Sınıflandırma ve regresyon görevleri için popüler bir makine öğrenme algoritmasıdır.
• Doğrusal Regresyon:- Doğrusal regresyon algoritması, gelecekteki sonuçları tahmin etmek için denetimli öğrenmeyi kullanır. Bir bağımlı değişken ile iki veya daha fazla bağımsız değişken arasında ilişki kurar.
• Lojistik Regresyon: - Evet veya hayır, doğru veya yanlış gibi farklı kategorilerde değişkenlerimiz olduğunda bir lojistik regresyon algoritması kullanırız. İkili sınıflandırma problemlerini çözmek için esas olarak bir lojistik regresyon algoritması kullanıyoruz.

Özetlemek gerekirse, denetimli öğrenme, yeni bir girdi kümesi için tahminler oluşturmak üzere bilinen girdi ve çıktı verilerini kullanarak bir modeli eğitmek için kullanılır.

Denetimsiz Öğrenme Nedir?

Denetimli öğrenmenin aksine, denetimsiz öğrenmede etiketlenmiş verilere sahip değiliz. Veri kümeleri veya tahmin edilen bir sonuç arasında önceden tanımlanmış bir ilişki yoktur. Denetimli öğrenmenin aksine, denetimsiz öğrenme minimum insan müdahalesi gerektirir. Bu nedenle buna denetimsiz öğrenme diyoruz. Model, bir veri kümesi gözlemleri koleksiyonunu kullanır ve verilen verilerin özelliklerini tanımlar. Denetimsiz öğrenme, bir veri kümesindeki çeşitli grupları tanımladığı için bir kümeleme çerçevesine dayanır.

Denetimsiz öğrenmenin nasıl çalıştığını anlayalım. Diyelim ki X1, X2, X3…….Xt adında bir dizi girdimiz var ama hedef çıktı yok. Bu durumda makine, çevresinden herhangi bir geri bildirim almaz. Ancak, resmi bir çerçeve geliştirir ve gelecekteki çıktıları tahmin eder. Denetimsiz öğrenmede model, karar verme ve temsil oluşturma için girdileri kullanır. Çıktı verilerinin olmaması nedeniyle sınıflandırma ve regresyon işlemleri için denetimsiz öğrenmeyi kullanamayız. Denetimsiz öğrenmenin birincil kullanımı, girdi veri kümesinin altında yatan yapıyı bulmaktır. Makine, yapıyı bulduktan sonra verileri yorumlamaya göre farklı gruplarda düzenler. Son adım, veri kümesini sıkıştırılmış bir biçimde temsil etmektir.

Mühendisler çoğunlukla denetimsiz öğrenmeyi iki amaç için kullanırlar – Keşif analizi ve boyutsallık azaltma. Keşif analizi, verileri farklı gruplar halinde düzenlemek, hipotezler oluşturmak ve kalıpları keşfetmek için veriler üzerinde ilk araştırmaları gerçekleştirir. Boyut azaltma işlemi, belirli bir veri kümesindeki girdilerin sayısını azaltır. Denetimsiz öğrenmenin en önemli avantajı, ilgili içgörüleri bulmayı içerir. Denetimsiz öğrenme, minimum insan müdahalesi gerektirdiğinden, çoğunlukla AI uygulamaları oluşturmak için kullanılır.

Denetimli ve Denetimsiz Öğrenme

Artık denetimli ve denetimsiz öğrenmelerin ne olduğunu bildiğinize göre, en önemli farklılıklarına bakalım.

• Veri – Denetimli öğrenme etiketli verileri kullanırken denetimsiz öğrenme etiketli verileri kullanmaz. Ayrıca, denetimli öğrenmede modele çıktı verileri sağlarız. Ancak denetimsiz öğrenmede girdi verileri mevcut değildir.
• Geribildirim- Model, denetimli öğrenmede geribildirim alır ve parametreleri ayarlar. Denetimsiz öğrenmede bu gerçekleşmez.
• Hedef – Denetimli öğrenmenin temel amacı, eğitim verilerini kullanarak modeli eğitmektir. Böylece, yeni bir giriş mevcut olduğunda, makine doğru çıkışı tahmin edebilir. Bununla birlikte, denetimsiz öğrenmede çıktı mevcut olmadığından, verilen verilerdeki ilgili içgörüleri veya gizli kalıpları toplamak için kullanılır.
• Sınıflandırma ve Regresyon – Denetimli öğrenmeyi, denetimsiz öğrenmede gerçekleşmeyen sınıflandırma ve regresyon olarak sınıflandırabiliriz.
• Yapay Zeka – Denetimli öğrenme, eğitim verilerini modele beslememiz gerektiğinden yapay zeka ile ilgili değildir. Ancak denetimsiz öğrenme, minimum insan müdahalesi gerektirdiğinden yapay zeka için daha faydalıdır.
• Algoritmalar – Denetimli öğrenme algoritmaları arasında Destek Vektör Makinesi, Naive Bayes, doğrusal regresyon ve lojistik regresyon bulunur. Denetimsiz öğrenme algoritmaları arasında kümeleme ve K-en yakın komşu (KNN) bulunur.
• Sonuçların doğruluğu – Model, denetimli öğrenmede önceden belirlenmiş çıktılar aldığından daha doğru sonuçlar verir. Ancak, denetimsiz öğrenmenin sonuçları özneldir ve daha az doğru sonuçlar verir.

Popüler Makine Öğrenimi ve Yapay Zeka Blogları

Çözüm

Denetimli ve denetimsiz öğrenme, karmaşık kavramları öğrenmenin temelini oluşturan makine öğreniminin temel kavramlarıdır. Makine öğrenimine yoğun bir ilginiz varsa ve aynı şekilde bir kariyer inşa etmek istiyorsanız , upGrad'dan Makine Öğrenimi ve Yapay Zeka alanında Yüksek Lisans derecesi alabilirsiniz.

Endüstri liderleri bu kursu, makine öğrenimi hakkında derinlemesine teorik bilgi ve makine öğrenimi teknolojisine ilişkin pratik bilgiler edinmenize yardımcı olmak için öğretir. Ayrıca, ilgili becerileri edinmenize yardımcı olmak için makine öğrenimi üzerine çeşitli vaka çalışmaları ve projeler üzerinde çalışma fırsatları elde edersiniz.