Kontrolita kaj nekontrolita lernado estas du fundamentaj specoj de maŝinlernadparadigmoj kiuj servas apartajn celojn bazitajn sur la naturo de la datenoj kaj la celoj de la tasko ĉe mano. Kompreni kiam uzi kontrolitan trejnadon kontraŭ nekontrolita trejnado estas decida en desegnado de efikaj maŝinlernado-modeloj. La elekto inter tiuj du aliroj dependas de la havebleco de etikeditaj datenoj, la dezirata rezulto, kaj la subesta strukturo de la datumaro.
Kontrolita lernado estas speco de maŝinlernado kie la modelo estas trejnita sur etikedita datumaro. En kontrolita lernado, la algoritmo lernas mapi enirdatumojn al la ĝusta produktaĵo estante prezentita kun trejnaj ekzemploj. Tiuj trejnaj ekzemploj konsistas el enig-produktaj paroj, kie la enirdatenoj estas akompanitaj per la ekvivalenta ĝusta produktaĵo aŭ celvaloro. La celo de kontrolita lernado estas lerni mapan funkcion de enirvariabloj ĝis produktaĵvariabloj, kiuj tiam povas esti uzitaj por fari prognozojn pri neviditaj datenoj.
Kontrolita lernado estas tipe uzita kiam la dezirata produktaĵo estas konata kaj la celo estas lerni la rilaton inter la enigaĵo kaj produktaĵvariabloj. Ĝi estas ofte uzita en taskoj kiel ekzemple klasifiko, kie la celo estas antaŭdiri la klasetikedojn de novaj kazoj, kaj regreson, kie la celo estas antaŭdiri kontinuan valoron. Ekzemple, en kontrolita lernado, vi povus trejni modelon por antaŭdiri ĉu retpoŝto estas spamo aŭ ne surbaze de la enhavo de la retpoŝto kaj la etikedita spamo/ne-spamo-statuso de antaŭaj retpoŝtoj.
Aliflanke, nekontrolita lernado estas speco de maŝinlernado kie la modelo estas trejnita sur neetikedita datumaro. En nekontrolita lernado, la algoritmo lernas padronojn kaj strukturojn de la enirdatenoj sen eksplicita religo pri la ĝusta produktaĵo. La celo de nekontrolita lernado estas esplori la suban strukturon de la datumoj, malkovri kaŝitajn ŝablonojn kaj eltiri signifajn komprenojn sen la bezono de etikeditaj datumoj.
Nekontrolita lernado estas ofte uzata kiam la celo estas esplori la datumojn, trovi kaŝitajn ŝablonojn kaj grupigi similajn datumpunktojn kune. Ĝi ofte estas aplikita en taskoj kiel ekzemple clustering, kie la celo estas grupigi similajn datenpunktojn en aretojn bazitajn sur iliaj trajtoj, kaj dimensiecredukto, kie la celo estas redukti la nombron da ecoj konservante la esencajn informojn en la datenoj. Ekzemple, en nekontrolita lernado, vi povus uzi grupigon por grupigi klientojn surbaze de ilia aĉeta konduto sen antaŭa scio pri klientsegmentoj.
La elekto inter kontrolita kaj nekontrolita lernado dependas de pluraj faktoroj. Se vi havas etikeditan datumaron kaj volas antaŭdiri specifajn rezultojn, kontrolita lernado estas la taŭga elekto. Aliflanke, se vi havas neetikeditan datumaron kaj volas esplori la datumstrukturon aŭ trovi kaŝitajn ŝablonojn, nekontrolita lernado pli taŭgas. En kelkaj kazoj, kombinaĵo de kaj kontrolitaj kaj nekontrolitaj teknikoj, konataj kiel semi-kontrolita lernado, povas esti uzita por ekspluati la avantaĝojn de ambaŭ aliroj.
La decido uzi kontrolitan trejnadon kontraŭ nekontrolita trejnado en maŝinlernado dependas de la havebleco de etikeditaj datenoj, la naturo de la tasko kaj la dezirata rezulto. Kompreni la diferencojn inter kontrolita kaj nekontrolita lernado estas esenca por desegni efikajn maŝinlernajn modelojn, kiuj povas ĉerpi signifajn komprenojn kaj fari precizajn prognozojn el datumoj.
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)