Aprenentatge supervisat
L'aprenentatge supervisat implica entrenar un model en un conjunt de dades etiquetat. Les dades etiquetades significa que les dades d'entrada estan emparellades amb la sortida correcta. L'objectiu és que el model aprengui el mapeig o la relació entre les entrades i les sortides perquè pugui fer prediccions o classificar dades noves i no vistes amb precisió. Hi ha dos tipus principals d'aprenentatge supervisat:
-
Classificació: Això implica predir una etiqueta categòrica. Per exemple, determinar si un correu electrònic és correu brossa o no en funció de determinades característiques (com les paraules utilitzades, el remitent, etc.). Per a la classificació s'utilitzen algorismes com ara màquines vectorials de suport (SVM), arbres de decisió i xarxes neuronals.
-
Regressió: Implica predir un valor continu. Per exemple, predir el preu d'una casa en funció de les seves característiques com ara l'àrea, el nombre d'habitacions, etc. Per a les tasques de regressió s'utilitzen algorismes com la regressió lineal, el bosc aleatori i l'augment del gradient.
Aprenentatge no supervisat
L'aprenentatge no supervisat implica entrenar un model en un conjunt de dades sense etiqueta. Aquí, l'algoritme intenta trobar patrons o estructures intrínseques a les dades sense cap supervisió explícita. L'objectiu és explorar les dades, entendre la seva estructura i extreure coneixements significatius. Els tipus comuns d'aprenentatge no supervisat inclouen:
-
Agrupació: Agrupació de punts de dades similars en funció de determinades característiques o similituds. Per exemple, agrupar segments de clients en funció del seu comportament de compra mitjançant algorismes com ara K-Means o Hierarchical Clustering.
-
Reducció de la dimensionalitat: redueix el nombre de funcions tot conservant la informació essencial. L'anàlisi de components principals (PCA) i l'incorporació de veí estocàstic distribuït en t (t-SNE) s'utilitzen per visualitzar dades d'alta dimensió en un espai de dimensions inferiors.
Quan utilitzar-los cadascun
-
L'aprenentatge supervisat s'utilitza quan teniu dades etiquetades i voleu predir o classificar instàncies futures en funció d'aquestes dades etiquetades. Per exemple, si teniu dades històriques sobre les compres dels clients i voleu predir futures compres, l'aprenentatge supervisat és adequat.
-
L'aprenentatge no supervisat s'utilitza quan no teniu dades etiquetades o quan voleu explorar i entendre l'estructura subjacent de les dades. Per exemple, en detecció d'anomalies o cerca de patrons ocults en grans conjunts de dades.
De vegades, es pot utilitzar una combinació d'ambdós tipus d'aprenentatge, conegut com a aprenentatge semi-supervisat, quan es disposa d'una petita quantitat de dades etiquetades i una gran quantitat de dades sense etiquetar, cosa que permet als models beneficiar-se de les dues fonts d'informació. .
