Inhalt
Q:
Was ist der Unterschied zwischen überwachtem, unbeaufsichtigtem und halbüberwachtem Lernen?
EIN:
Der Hauptunterschied zwischen überwachtem und unbeaufsichtigtem Lernen beim maschinellen Lernen ist die Verwendung von Trainingsdaten.
Betreutes Lernen verwendet Beispieldaten, um zu zeigen, wie „richtige“ Daten aussehen. Die Daten sind so strukturiert, dass die Ausgaben der angegebenen Eingaben angezeigt werden.
Ein Algorithmus für maschinelles Lernen, der Früchte klassifiziert, kann Bilder von Früchten wie Äpfeln, Bananen, Trauben und Orangen als Eingaben und die Namen dieser Früchte als Ausgaben enthalten.
Ein reales Beispiel wären die Bayes'schen Spam-Filter in Programmen. Diese Filter werden anhand von Beispielen geschult, die als Spam gelten. Der Spam-Filter kann dann nach bestimmten Phrasen suchen, die in Spam-E-Mails vorkommen, und diese in einen Spam-Ordner verschieben.
Es ist, als würde man einem Menschen zeigen, wie man eine neue Aufgabe erledigt. Einer Person, die Daten eingibt, werden möglicherweise Beispiele der Daten in einem von der Firma gewünschten Format angezeigt, und es wird erwartet, dass sie diesem Format folgt.
Maschinelle Lernprogramme, die überwachtes Lernen verwenden, iterieren oft mit den Trainingsdaten. Die Ergebnisse können beeindruckend sein, wenn es wirklich losgeht. Der Google Mail-Spamfilter ist sehr genau, da so viele Nutzer ihn trainieren.
Unbeaufsichtigtes Lernen hat keine vorherigen Trainingsdaten. In unserem Beispiel für die Fruchtklassifizierung wird einem Algorithmus möglicherweise nur ein Bild der Frucht angezeigt und zur Klassifizierung aufgefordert.
Unbeaufsichtigtes Lernen findet Anwendung in der Marktforschung, indem es die Kaufgewohnheiten der Kunden lernt oder Sicherheit durch die Überwachung von Hacking-Mustern.
Teilweise beaufsichtigtes Lernen versucht, einen Mittelweg einzuschlagen, indem einige der Daten gekennzeichnet werden. Zum Beispiel können Apfel und Orange im Fruchtklassifizierungsprogramm gekennzeichnet sein, die Banane und die Trauben jedoch nicht.
Wann einer dieser Algorithmen verwendet wird, hängt von der Art der verwendeten Daten ab. Einige Aufgaben weisen stabile Muster auf, z. B. Kreditkartenbetrug oder Spam. Betreutes Lernen ist für diese Art von Aufgaben geeignet. Netzwerkangriffe sind nicht vorhersehbar, und möglicherweise sind unbeaufsichtigte oder halbüberwachte Lernmethoden besser geeignet.