감독 학습과 비감독 학습

                SUPERVISED LEARNING

말 그대로 공부를 감독하는 스승이 교사로 현장에 있었다.기본적으로 감독학습은 우리가 표기된 좋은 데이터를 사용하여 기계를 가르치거나 훈련시키는 것을 말한다.이것은 일부 데이터가 이미 정확한 답안을 표시했다는 것을 의미한다.이후 기계는 학습 알고리즘 분석 훈련 데이터(훈련 예시집)를 감독하고 표시된 데이터에서 정확한 결과를 생성할 수 있도록 새로운 예시(데이터)를 제공할 것이다.
예를 들어 각종 과일이 담긴 바구니를 준다고 가정해 보세요.이제 첫 번째 단계는 모든 다른 과일로 기계를 하나씩 훈련시키는 것이다. 아래와 같다.
**물체의 형상이 원형이고 꼭대기에 오목한 것이 있고 색깔이 빨간색이면 - Apple로 표시됩니다.
**물체의 형상이 길고 구부러진 원기둥으로 녹색과 노란색을 띠면 바나나로 표시된다.
학습 처리를 감독하거나'표시'데이터를 배웁니다.이것은 일부 데이터가 이미 정답을 표시했다는 것을 의미한다.
유형: -
1) 귀환
2) 논리적 회귀
3) 분류
4) 소박 베일러 분류기
5) K-NN(K근린)
6) 의사 결정 트리
7) 벡터 지원
이점: -
* 감독 학습을 통해 데이터를 수집하고 이전 경험에서 데이터를 출력할 수 있습니다.
* 경험을 바탕으로 성과 기준을 최적화합니다.
*기계학습을 감독하면 현실 세계의 각종 계산 문제를 해결하는 데 도움이 된다.
단점:
*빅데이터를 분류하는 것은 도전적일 수 있습니다.
*학습을 감독하는 훈련은 많은 계산 시간을 필요로 한다.그래서 시간이 많이 걸려요.

                 UNSUPERVISED LEARNING

무감독 학습은 분류도 표시도 없는 정보를 사용하여 기계를 훈련시키고 알고리즘이 지도 없이 이 정보를 조작하도록 허용하는 것이다.여기서 기계의 임무는 유사성, 패턴, 차이에 따라 정렬되지 않은 정보를 그룹으로 나누는 것이며, 사전에 데이터에 대해 어떠한 훈련도 할 필요가 없다.
감독학습과 달리 선생님이 없다는 것은 기계가 어떤 교육도 받지 않는다는 뜻이다.따라서 기계는 표시되지 않은 데이터에서만 숨겨진 구조를 찾을 수 있다.
무감독 학습은 두 가지 알고리즘으로 나뉜다.
분류: 분류 문제는 귀하가 데이터 중의 고유한 그룹을 발견하기를 원하는 것을 말합니다. 예를 들어 구매 행위에 따라 고객을 분류하는 것입니다.
관련: 관련 규칙 학습의 한 문제는 대부분의 데이터를 묘사하는 규칙을 발견하고 싶다는 것이다. 예를 들어 X를 구매하는 사람들도 Y를 구매하는 경향이 있다.
무감시 학습 알고리즘:
감독 학습에 비해 감독 학습 알고리즘이 없으면 사용자가 더욱 복잡한 처리 임무를 수행할 수 있다.그럼에도 불구하고 다른 자연 학습 방법에 비해 무감독 학습은 예측할 수 없을 것이다.무감독 학습 알고리즘은 분류, 이상 검출, 신경 네트워크 등을 포함한다.
무감독 기계 학습의 응용:
무감독 머신 러닝 기술의 일부 응용은 다음과 같습니다.
** 클러스터링은 데이터 세트의 유사성에 따라 자동으로 여러 그룹으로 그룹화됩니다.
** 예외 탐지를 통해 데이터 세트의 예외 데이터 포인트를 확인할 수 있습니다.이것은 사기 거래를 발견하는 데 매우 유용하다.
**연관 발굴 식별 데이터 집합에서 자주 동시에 나타나는 프로젝트 집합.
** 잠재 변수 모델은 데이터의 사전 처리에 광범위하게 사용된다.예를 들어 데이터 집중의 특징 수량을 줄이거나 데이터 집합을 여러 개의 구성 요소로 분해한다.
무감독 학습의 단점:
** 데이터 정렬에 대한 정확한 정보를 얻을 수 없으며 감독되지 않은 학습에 사용되는 데이터의 출력으로 표시되며 알 수 없습니다.
** 결과의 정확성이 낮은 것은 입력 데이터가 잘 알려지지 않고 미리 표시되어 있지 않기 때문입니다.이것은 기계가 스스로 이 일을 완성해야 한다는 것을 의미한다.
** 스펙트럼 클래스는 항상 정보 클래스와 상응하지 않습니다.
** 사용자는 분류를 따르는 클래스를 설명하고 표시하는 데 시간이 걸립니다.
**클래스의 스펙트럼 특성도 시간의 추이에 따라 달라지기 때문에 한 이미지에서 다른 이미지로 이동할 때 같은 클래스 정보를 사용할 수 없습니다.