Menü

Makine Öğrenimi Türleri: Denetimli ve Denetimsiz Öğrenim

  • Ana
  • Diğer
  • Makine Öğrenimi Türleri: Denetimli ve Denetimsiz Öğrenim

types machine learning

Sorunları Ortadan Kaldırmak Için Enstrümanımızı Deneyin

Bu Öğretici, Makine Öğrenimi Türlerini, yani Denetimli, Denetimsiz, Güçlendirilmiş ve Yarı Denetimli Öğrenmeyi Basit Örneklerle Açıklar. Ayrıca Denetlenen ve Denetimsiz Öğrenme Arasındaki Farkları Öğreneceksiniz:

İçinde Önceki Eğitim , Makine Öğrenimi, çalışması ve uygulamaları hakkında bilgi edindik. Ayrıca Makine Öğrenimi ile Yapay Zeka'nın bir karşılaştırmasını da gördük.

Makine Öğrenimi, deneyim yoluyla öğrenilen ve çıktıyı tahmin eden bilgisayar programları ile ilgilenen bir bilim alanıdır.

Makine öğreniminin temel özelliği deneyimden öğrenmektir. Öğrenme, eğitim girdi verileriyle beslenen sistem parametrelerinde değişiklikler yaptığında ve istenen çıktıyı vermek için kendini ayarladığında gerçekleşir. Çıktı, eğitim verilerinde tanımlanan hedef değerdir.

=> Eksiksiz Makine Öğrenimi Eğitim Serisini Okuyun

Makine Öğrenimi Türleri

Ne öğreneceksin:

Makine Öğrenimi Türleri

Makine Öğrenimi programları, aşağıda gösterildiği gibi 3 türe ayrılmıştır.

  • Denetlenen
  • Denetimsiz
  • Takviye Öğrenme

Bunların her birini ayrıntılı olarak anlayalım !!

# 1) Denetimli Öğrenme

Denetimli öğrenme, tıpkı küçük bir çocuğun öğretmeninin yardımıyla gerçekleştirdiği öğrenme gibi, bir denetçinin varlığında gerçekleşir. Bir çocuk, bir öğretmenin gözetiminde meyveleri, renkleri, sayıları tanımak üzere eğitildiği için, bu yöntem denetim altında öğrenilir.

Bu yöntemde çocuğun her adımı öğretmen tarafından kontrol edilir ve çocuk üretmesi gereken çıktıdan öğrenir.

Denetimli Öğrenim Nasıl Çalışır?

Denetimli makine öğrenimi algoritmasında, çıktı zaten bilinmektedir. Çıkış ile girişin bir eşlemesi var. Bu nedenle, bir model oluşturmak için, makine birçok eğitim girdi verisi ile beslenir (bilinen girdi ve karşılık gelen çıktıya sahip).

Eğitim verileri, oluşturulan veri modeli için bir doğruluk düzeyine ulaşılmasına yardımcı olur. Oluşturulan model artık yeni girdi verileriyle beslenmeye ve sonuçları tahmin etmeye hazır.

Etiketli Veri Kümesi Nedir?

Belirli bir girdi için bilinen çıktılara sahip veri kümesine Etiketli Veri Kümesi adı verilir. Örneğin, meyve adı ile birlikte bir meyve görüntüsü bilinmektedir. Bu nedenle, yeni bir meyve görüntüsü gösterildiğinde, cevabı tahmin etmek için eğitim setiyle karşılaştırılır.

Denetimli öğrenme, yüksek doğrulukta hızlı bir öğrenme mekanizmasıdır. Denetimli öğrenme problemleri, regresyon ve sınıflandırma problemlerini içerir.

Denetimli öğrenme algoritmalarından bazıları şunlardır:

  • Karar ağaçları,
  • K-En Yakın Komşu,
  • Doğrusal Regresyon,
  • Destek Vektör Makinesi ve
  • Nöral ağlar.

Denetimli Öğrenim Örneği

  • İlk adımda, makine öğrenimi algoritmasına bir eğitim veri seti beslenir.
  • Eğitim veri kümesiyle makine, mantıksal bir model oluşturmak için parametrelerde değişiklikler yaparak kendini ayarlar.

Logical_Model - Denetlenen Algoritma Örneği

  • Oluşturulan model daha sonra sonucu tahmin etmek için yeni bir veri kümesi için kullanılır.

Yapılı Model

Denetlenen Öğrenme Algoritması Türleri

  • Sınıflandırma: Bu tür problemlerde, yanıtı 'evet' veya 'hayır' gibi belirli sınıflar olarak tahmin ederiz. Yalnızca 2 sınıf mevcut olduğunda, buna İkili Sınıflandırma denir. 2'den fazla sınıf değeri için, buna Çok Sınıflı Sınıflandırma denir. Öngörülen yanıt değerleri, ayrık değerlerdir. Örneğin, Güneşin mi yoksa ayın görüntüsü mü? Sınıflandırma algoritması, verileri sınıflara ayırır.
  • Regresyon: Regresyon problemleri, yanıtı -sonsuzdan sonsuza değişen bir değeri tahmin etmek gibi sürekli değerler olarak tahmin eder. Pek çok değer alabilir. Örneğin, uygulanan lineer regresyon algoritması; lokasyon, yakındaki havalimanı, evin büyüklüğü vb. birçok parametreye göre evin maliyetini tahmin eder.

# 2) Denetimsiz Öğrenme

Tıpkı bir balığın kendi kendine yüzmeyi öğrenmesi gibi, denetimsiz öğrenme de bir süpervizörün yardımı olmadan gerçekleşir. Bağımsız bir öğrenme sürecidir.

Bu modelde, girdi ile eşlenen çıktı olmadığından, hedef değerler bilinmemektedir / etiketlenmemiştir. Sistemin veri girişinden kendi kendine öğrenmesi ve gizli kalıpları tespit etmesi gerekir.

Etiketsiz Veri Kümesi Nedir?

Tüm giriş değerleri için bilinmeyen çıkış değerlerine sahip bir veri kümesine etiketlenmemiş veri kümesi denir.

Denetimsiz Öğrenme Nasıl Çalışır?

Girdi ve çıktı arasında mantıksal bir model oluşturmak için kullanılabilecek bilinen çıktı değerleri olmadığından, veri kurallarını, desenleri ve benzer türlerdeki veri gruplarını araştırmak için bazı teknikler kullanılır. Bu gruplar, son kullanıcıların verileri daha iyi anlamalarına ve anlamlı bir çıktı bulmalarına yardımcı olur.

Beslenen girdiler, tıpkı eğitim verilerinin (denetimli öğrenmede) olduğu gibi uygun bir yapı biçiminde değildir. Aykırı değerler, gürültülü veriler vb. İçerebilir. Bu girişler birlikte sisteme beslenir. Modeli eğitirken, girdiler kümeler oluşturacak şekilde düzenlenir.

Denetimsiz öğrenme algoritmaları, Kümeleme ve İlişkilendirme Algoritmalarını içerir, örneğin:

  • Önsel,
  • K-kümeleme ve diğer ilişkilendirme kuralı madenciliği algoritmaları anlamına gelir.

Modele yeni veri beslendiğinde, sonucu girdinin ait olduğu bir sınıf etiketi olarak tahmin edecektir. Sınıf etiketi yoksa, yeni bir sınıf oluşturulacaktır.

Model, verilerdeki örüntüleri keşfetme sürecinden geçerken, parametrelerini kendisi ayarlar, dolayısıyla buna kendi kendini organize etme de denir. Girdiler arasındaki benzerlikler bulunarak kümeler oluşturulacaktır.

Örneğin, çevrimiçi ürün satın alırken, sepete tereyağı konursa, ekmek, peynir vb. satın almayı önerir. Denetimsiz model, veri noktalarına bakar ve ürünle ilişkili diğer özellikleri tahmin eder.

Denetimsiz Öğrenim Örneği

Denetimsiz Öğrenme Örneği

Denetimsiz Algoritma Türleri

  • Kümeleme Algoritması : Aynı şekil, boyut, renk, fiyat gibi veri öğeleri arasındaki benzerlikleri bulma ve küme oluşturacak şekilde gruplama yöntemleri küme analizidir.
  • Aykırı Değer Tespiti : Bu yöntemde veri seti, verilerdeki her türlü farklılığın ve anormalliğin araştırılmasıdır. Örneğin, Dolandırıcılık tespiti için sistem tarafından kredi kartı üzerinde yüksek değerli bir işlem tespit edilir.
  • Dernek Kural Madenciliği : Bu tür madencilikte, öğeler arasında en sık meydana gelen öğe setlerini veya ilişkilendirmeleri bulur. 'Sıklıkla birlikte satın alınan ürünler' vb. Dernekler
  • Otomatik kodlayıcılar: Giriş, kodlanmış bir biçime sıkıştırılır ve gürültülü verileri kaldırmak için yeniden oluşturulur. Bu teknik, görüntü ve video kalitesini iyileştirmek için kullanılır.

# 3) Pekiştirmeli Öğrenme

Bu tür öğrenmede, algoritma geri bildirim mekanizması ve geçmiş deneyimlerle öğrenir. Algoritmadaki her adımın bir hedefe ulaşmak için atılması her zaman istenir.

Dolayısıyla, bir sonraki adım ne zaman atılacaksa, bir sonraki en iyi adımın ne olabileceğini tahmin etmek için deneyimden öğrenmenin yanı sıra önceki adımdan geri bildirimi alır. Bu sürece aynı zamanda hedefe ulaşmak için deneme yanılma süreci de denir.

Pekiştirmeli öğrenme, uzun vadeli yinelemeli bir süreçtir. Geri bildirim sayısı arttıkça, sistem daha doğru hale gelir. Temel pekiştirmeli öğrenmeye Markov Karar Süreci de denir.

Pekiştirmeli Öğrenme Örneği

Takviye Öğrenmeye örnek, oyuncuların bir oyunun belirli seviyelerini tamamladıkları ve ödül puanları kazandıkları video oyunlarıdır. Oyun, performansını iyileştirmek için oyuncuya bonus hamlelerle geri bildirim sağlar.

Takviye Öğrenme, eğitim robotlarında, kendi kendine çalışan arabalarda, envanterin otomatik yönetiminde vb. Kullanılır.

Takviyeli Öğrenmenin bazı popüler algoritmaları şunları içerir:

  • Q-Öğrenme,
  • Derin Çekişmeli Ağlar
  • Zamansal Fark

Aşağıdaki şekil, Pekiştirmeli Öğrenmenin geribildirim mekanizmasını açıklamaktadır.

  1. Girdi, AI öğesi olan aracı tarafından gözlemlenir.
  2. Bu AI ajanı, verilen karara göre çevreye göre hareket eder.
  3. Ortamın tepkisi, geri bildirim olarak bir ödül olarak AI'ya gönderilir.
  4. Ortamda gerçekleştirilen durum ve eylem de kaydedilir.

Pekiştirmeli Öğrenmenin geribildirim mekanizması

(resim kaynak )

Denetimli ve Denetimsiz Öğrenmenin Gerçek Hayat Örneği

Denetimli Öğrenim için:

# 1) Soğan, havuç, turp, domates vs. içeren bir sebze sepeti örneği alalım ve bunları gruplar halinde düzenleyelim.

#iki) Denetimli Öğrenimi anlamak için bir eğitim veri tablosu oluşturuyoruz.

Eğitim veri tablosu sebzeleri aşağıdakilere göre karakterize eder:

  • Şekil
  • Renk
  • Boyut
Şekil Renk Boyut Sebze
Girdi verileri ve karşılık gelen çıktı iyi bilindiği için denetimsiz öğrenmeden daha doğrudur ve makinenin yalnızca tahminler vermesi gerekir.Giriş verileri etiketlenmediğinden daha az doğruluğa sahiptir. Dolayısıyla makinenin önce verileri anlaması ve etiketlemesi ve ardından tahminler vermesi gerekir.
YuvarlakKahverengiBüyükSoğan
YuvarlakAğOrtaDomates
SilindirikBeyazBüyükTurp
SilindirikAğOrtaHavuç

Bu eğitim veri tablosu makineye beslendiğinde, sonucu (sebze) tahmin etmek için sebzenin şeklini, rengini, boyutunu vb. Kullanarak mantıksal bir model oluşturacaktır.

Bu modele yeni bir girdi beslendiğinde, algoritma parametreleri analiz edecek ve meyvenin adını çıkaracaktır.

Denetimsiz Öğrenim için:

Denetimsiz öğrenmede, özniteliklere göre gruplar veya kümeler oluşturur. Yukarıdaki örnek veri setinde, sebze parametresi şunlardır:

# 1) Şekil

Sebzeler şekle göre gruplandırılmıştır.

  • Yuvarlak: Soğan ve Domates.
  • Silindirik: Turp ve Havuç.

Boyut gibi başka bir parametre alın.

# 2) Boyut

Sebzeler büyüklük ve şekle göre gruplandırılmıştır:

torrent dosyası nasıl çıkarılır
  • Orta Boy ve Yuvarlak Şekil: Domates
  • Büyük Boy ve Yuvarlak Şekil: Soğan

Denetimsiz öğrenmede, denetimli öğrenmede herhangi bir eğitim veri kümesine ve sonuç değişkenine sahip değiliz, eğitim verileri bilinir ve algoritmayı eğitmek için kullanılır.

Denetimli ve Denetimsiz Öğrenme Arasındaki Fark

Denetlenen Denetimsiz
Denetimli öğrenme algoritmalarında, verilen girdi için çıktı bilinmektedir.Denetimsiz öğrenme algoritmalarında, verilen girdinin çıktısı bilinmemektedir.
Algoritmalar, etiketli veri kümesinden öğrenir. Bu veriler, eğitim verilerinin doğruluğunu değerlendirmeye yardımcı olur.Algoritma, veri öğeleri arasındaki modelleri ve ilişkileri bulmaya çalıştığı etiketlenmemiş verilerle sağlanır.
Gelecekteki sonuçları doğru bir şekilde tahmin eden bir Tahmine Dayalı Modelleme tekniğidir.Öğelerin tarihçesi ve öğeleri arasındaki gerçek ilişkiyi açıklayan Betimsel Modelleme tekniğidir.
Sınıflandırma ve regresyon algoritmalarını içerir.Kümeleme ve ilişkilendirme kurallarını öğrenme algoritmalarını içerir.
Denetimli öğrenmenin bazı algoritmaları Doğrusal Regresyon, Naif Bayes ve Sinir Ağlarıdır.Denetimsiz öğrenme için bazı algoritmalar k- ortalama kümeleme, Apriori vb.
Bu tür bir öğrenme, etiketlenmiş veriler gerektirdiğinden nispeten karmaşıktır.Verileri anlamaya ve etiketlemeye gerek olmadığı için daha az karmaşıktır.
Çevrimiçi bir veri analizi sürecidir ve insan etkileşimi gerektirmez.Bu, verilerin gerçek zamanlı analizidir.

Yarı Denetimli Öğrenim

Yarı denetimli öğrenme yaklaşımı, hem etiketli hem de etiketlenmemiş eğitim veri girişini alır. Bu tür bir öğrenme, etiketlenmemiş verilerden (denetimli yaklaşım) yararlı özellikler çıkarmanın zor olduğu ve veri uzmanlarının girdi verilerini etiketlemeyi zor bulduğu durumlarda (denetimsiz yaklaşım) yararlıdır.

Bu algoritmalarda yalnızca az miktarda etiketlenmiş veri, modelin doğruluğunu sağlayabilir.

Örnekler yarı denetimli öğrenmenin arasında, tüm taramaları etiketlemek zor iken, bir tıp uzmanının taramalarda birkaç noktayı herhangi bir hastalık için etiketleyebileceği CT taramaları ve MRI'lar yer alır.

Sonuç

Makine öğrenimi görevleri genel olarak Denetimli, Denetimsiz, Yarı Denetimli ve Güçlendirmeli Öğrenme görevleri olarak sınıflandırılır.

Denetimli öğrenme, etiketli verilerin yardımıyla öğrenmedir. ML algoritmaları, gelecekteki sonuçları tahmin etmek için çıktının bilindiği her girdi verisi için bir eğitim veri kümesiyle beslenir.

Bu model son derece doğru ve hızlıdır, ancak inşa etmek için yüksek uzmanlık ve zaman gerektirir. Ayrıca, veriler değişirse bu modellerin yeniden yapılandırılması gerekir. Regresyon ve sınıflandırma gibi MO görevleri, denetimli bir öğrenme ortamı altında gerçekleştirilir.

Denetimsiz öğrenme, bir denetçinin yardımı olmadan gerçekleşir. ML algoritmalarına beslenen girdi verileri etiketlenmez, yani her girdi için hiçbir çıktı bilinmez. Algoritma kendi başına girdi verilerindeki eğilimleri ve modeli bulur ve girdinin farklı özellikleri arasında bir ilişki oluşturur.

Bu tür bir öğrenme, verilerdeki kalıpları bulmak, veri kümeleri oluşturmak ve gerçek zamanlı analiz için kullanışlıdır. Kümeleme, KNN algoritmaları vb. Görevler denetimsiz öğrenme kapsamına girer.

Yarı Denetimli öğrenme, hem etiketli hem de etiketlenmemiş verileri kullanarak sonuçları tahmin ederek hem denetimli hem de denetimsiz algoritmaların avantajını gerçekleştirir. Takviyeli öğrenme, makinenin hedefine ulaşmak için çevreden sürekli geri bildirim alarak öğrendiği bir tür geri bildirim mekanizmasıdır.

Bu tür öğrenmede, AI aracıları veriler üzerinde bazı eylemler gerçekleştirir ve ortam bir ödül verir. Takviye öğrenme, çocuklar için çok oyunculu oyunlar, kendi kendine giden arabalar vb. Tarafından kullanılır.

Makine Öğrenimi ve Yapay Sinir Ağı hakkında daha fazla bilgi edinmek için yaklaşan eğiticimizi takip etmeye devam edin!

=> Özel Makine Öğrenimi Serisi İçin Burayı Ziyaret Edin

Önerilen Kaynaklar

^