D:
Qual è la differenza tra apprendimento supervisionato, non supervisionato e semi-supervisionato?
UN:La differenza chiave tra apprendimento supervisionato e non supervisionato nell'apprendimento automatico è l'uso dei dati di formazione.
L'apprendimento supervisionato si avvale di dati di esempio per mostrare l'aspetto dei dati "corretti". I dati sono strutturati per mostrare gli output di determinati input.
Un algoritmo di apprendimento automatico che classifica i frutti potrebbe avere immagini di frutti come mele, banane, uva e arance come input e il nome di questi frutti come output.
Un esempio reale sarebbero i filtri antispam bayesiani nei programmi di posta elettronica. Questi filtri sono addestrati con esempi di e-mail considerati spam. Il filtro antispam può quindi cercare determinate frasi che compaiono nelle e-mail presenti nelle e-mail di spam e spostarle in una cartella spam.
È come mostrare a un essere umano come fare un nuovo compito. A una persona che sta inserendo i dati potrebbero essere mostrati esempi dei dati in un formato che la società desidera e che quindi dovrebbe seguire.
I programmi di apprendimento automatico che utilizzano l'apprendimento supervisionato ripetono più volte i dati di addestramento. I risultati possono essere impressionanti quando inizia davvero. Il filtro antispam di Gmail di Google è molto preciso perché ci sono così tanti utenti che lo addestrano.
L'apprendimento non supervisionato non ha dati di addestramento precedenti. Nel nostro esempio di classificazione della frutta, un algoritmo potrebbe essere mostrato con immagini di frutta e dire di classificarle.
L'apprendimento senza supervisione ha applicazioni nelle ricerche di mercato, apprendendo le abitudini di acquisto dei clienti o la sicurezza monitorando i modelli di hacking.
L'apprendimento semi-supervisionato tenta di prendere una via di mezzo etichettando alcuni dei dati. Ad esempio, la mela e l'arancia potrebbero essere etichettate nel programma di classificazione della frutta, ma la banana e l'uva non lo sono.
Quando utilizzare uno di questi algoritmi dipenderà dal tipo di dati utilizzati. Alcune attività hanno schemi stabili, come frodi con carte di credito o messaggi spam. L'apprendimento supervisionato è appropriato per questo tipo di compiti. Gli attacchi di rete sono imprevedibili e metodi di apprendimento non supervisionati o semi supervisionati possono essere più appropriati.
