Kontrolita, nekontrolita kaj plifortiga lernado estas tri apartaj aliroj en la kampo de maŝinlernado. Ĉiu aliro utiligas malsamajn teknikojn kaj algoritmojn por trakti malsamajn specojn de problemoj kaj atingi specifajn celojn. Ni esploru la distingojn inter ĉi tiuj aliroj kaj donu ampleksan klarigon pri iliaj karakterizaĵoj kaj aplikoj.
Kontrolita lernado estas speco de maŝinlernado kie la algoritmo lernas de etikeditaj datumoj. Etikeditaj datenoj konsistas el enigekzemploj parigitaj kun sia ekvivalenta ĝusta produktaĵo aŭ celvaloro. La celo de kontrolita lernado estas trejni modelon kiu povas precize antaŭdiri la produktaĵon por novaj, neviditaj enigaĵoj. La lernalgoritmo uzas la etikeditajn datenojn por konkludi padronojn kaj rilatojn inter la enirtrajtoj kaj la produktaĵetikedoj. Ĝi tiam ĝeneraligas ĉi tiun scion por fari prognozojn pri novaj, neetikeditaj datumoj. Kontrolita lernado estas ofte uzata en taskoj kiel klasifiko kaj regreso.
Ekzemple, en klasifikproblemo, la algoritmo estas trejnita sur datumaro kie ĉiu datenpunkto estas etikedita kun specifa klaso. La algoritmo lernas klasifiki novajn, neviditajn datenpunktojn en unu el la antaŭdifinitaj klasoj bazitaj sur la ŝablonoj kiujn ĝi lernis de la etikeditaj ekzemploj. En regresproblemo, la algoritmo lernas antaŭdiri kontinuan nombran valoron bazitan sur la enigotrajtoj.
Nekontrolita lernado, aliflanke, traktas neetikeditajn datenojn. La celo de nekontrolita lernado estas malkovri kaŝitajn padronojn, strukturojn aŭ rilatojn ene de la datenoj sen iu antaŭa scio pri la produktaĵetikedoj. Male al kontrolita lernado, nekontrolita lernado-algoritmoj ne havas eksplicitajn celvalorojn por gvidi la lernadon. Anstataŭe, ili koncentriĝas pri trovado de signifaj reprezentoj aŭ aretoj en la datumoj. Nekontrolita lernado estas ofte uzita en taskoj kiel ekzemple grupigado, dimensiecredukto, kaj anomaliodetekto.
Clustering estas populara apliko de nekontrolita lernado, kie la algoritmo grupigas similajn datenpunktojn kune surbaze de siaj internaj trajtoj. Ekzemple, en klientsegmentado, nekontrolita lernadoritmo povas esti uzita por identigi apartajn grupojn de klientoj bazitaj sur ilia aĉetkonduto aŭ demografiaj informoj.
Plifortiga lernado estas malsama paradigmo, kie agento lernas interagi kun medio por maksimumigi akumulan rekompencan signalon. En plifortiga lernado, la algoritmo lernas per provo-erara procezo prenante agojn, observante la staton de la medio, kaj ricevante religon en la formo de rekompencoj aŭ punoj. La celo estas trovi optimuman politikon aŭ aron de agoj, kiuj maksimumigas la longdaŭran rekompencon. Plifortiga lernado estas ofte uzata en taskoj kiel ludado, robotiko kaj aŭtonomaj sistemoj.
Ekzemple, en la ŝakludo, plifortiga lernanta agento povas lerni ludi esplorante malsamajn movojn, ricevante rekompencojn aŭ punojn bazitajn sur la rezulto de ĉiu movo, kaj alĝustigante sian strategion por maksimumigi la ŝancojn venki.
Kontrolita lernado uzas etikeditajn datumojn por trejni modelon por prognozaj taskoj, nekontrolita lernado malkovras ŝablonojn kaj strukturojn en neetikeditaj datumoj, kaj plifortiga lernado lernas per interagado kun medio por maksimumigi rekompencan signalon. Ĉiu aliro havas siajn proprajn fortojn kaj malfortojn kaj taŭgas por malsamaj specoj de problemoj kaj aplikoj.
Aliaj lastatempaj demandoj kaj respondoj pri EITC/AI/GCML Google Cloud Machine Machine Learning:
- Kio estas teksto al parolado (TTS) kaj kiel ĝi funkcias kun AI?
- Kio estas la limigoj por labori kun grandaj datumaroj en maŝina lernado?
- Ĉu maŝinlernado povas fari iun dialogan helpon?
- Kio estas la ludejo TensorFlow?
- Kion fakte signifas pli granda datumaro?
- Kio estas kelkaj ekzemploj de hiperparametroj de algoritmo?
- Kio estas ensamble-lernado?
- Kio se elektita maŝinlernada algoritmo ne taŭgas kaj kiel oni povas certigi elekti la ĝustan?
- Ĉu maŝinlernada modelo bezonas superrigardon dum sia trejnado?
- Kiuj estas la ŝlosilaj parametroj uzataj en algoritmoj bazitaj en neŭralaj reto?
Rigardu pliajn demandojn kaj respondojn en EITC/AI/GCML Google Cloud Machine Learning
Pliaj demandoj kaj respondoj:
- Kampo: Artefarita inteligento
- programo: EITC/AI/GCML Google Cloud Machine Machine Learning (iru al la atestprogramo)
- Leciono: Enkonduko (iru al rilata leciono)
- Fadeno: Kio estas maŝina lernado (iru al rilata temo)