Denetimli ve Denetimsiz Öğrenme

Denetimli ve Denetimsiz Öğrenme

Makine öğrenmesi konusunda iki tür öğrenme yönteminden bahsedebiliriz: denetimli ve denetimsiz öğrenme.

Denetimli öğrenme

Denetimli öğrenmede, algılanan algoritmalar, algoritma eğitimi sırasında tahminlerin doğruluğu hakkında geri bildirim sağlamanın yanı sıra, hem girdi hem de istenen çıktıyı sağlamak için makine öğrenim becerileri ile bir veri bilimcisi veya veri analisti gerektirir. Veri bilimcileri, modelin hangi değişkenleri veya özellikleri analiz edeceğini ve tahminleri geliştirmek için kullanacağını belirler. Eğitim tamamlandığında, algoritma öğrenilenleri yeni verilere uygulayacaktır.

  1. Sınıflandırma (Classification): Her bir gözleme bir kategori/sınıf atması yapar. Sınıflar ayrıktır (sayı değildir) ve birbirlerine yakın/uzak olmaları gibi bir durum söz konusu değildir.
  2. Regresyon (Regression): Her gözlem için öğrendiklerine bakarak reel bir değer tahmini yapar.

Denetimsiz öğrenme

Denetimsiz öğrenmede ise istenen sonuç verileriyle eğitilmesi gerekmez. Bunun yerine, verileri gözden geçirmek ve sonuçlara varmak için derin öğrenme denen yinelemeli bir yaklaşım kullanırlar. Denetimsiz öğrenme algoritmaları (aynı zamanda sinir ağları olarak da adlandırılır) görüntü tanıma, konuşma-metin ve doğal dil üretimi de dahil olmak üzere denetimli öğrenme sistemlerinden daha karmaşık işlem görevleri için kullanılır. Bu sinir ağları, milyonlarca eğitim verisi örneğini tarayarak ve birçok değişken arasında sıklıkla ince korelasyonları otomatik olarak tespit ederek çalışır.

  1. Kümeleme (Clustering): Gözlemleri homojen bölgelere ayırır.
  2. Boyut Azaltımı (Dimensionality Reduction): Gözlemlerin mevcut özellik sayısını az ve öz hale indirir, bize en iyi öğrenme imkanı sunar.

 

 

Yazar Hakkında

Henuz yorum yok

forum Henuz yorum yok

Ilk yorum yapan siz olun

Bir yorum yaz

menu
menu