El aprendizaje supervisado y el aprendizaje no supervisado son las dos categorías más básicas en el aprendizaje automático. La principal diferencia entre ellos es si necesitan datos etiquetados como muestras de entrenamiento.
¿Qué es el aprendizaje supervisado y el aprendizaje no supervisado?
El aprendizaje supervisado se refiere al uso de datos etiquetados (a menudo llamados datos de entrenamiento) como entrada para entrenar un modelo para aprender la relación entre entrada y salida. Una vez que se aprende el modelo, se puede usar para predecir la salida de datos nuevos e invisibles. El objetivo de este estilo de aprendizaje es encontrar una función que asigne datos de entrada a datos de salida. Los ejemplos de aprendizaje supervisado incluyen tareas como clasificación, regresión, etiquetado de secuencias, etc.
El aprendizaje no supervisado se refiere al aprendizaje de un modelo a partir de datos no etiquetados que intenta descubrir la estructura y los patrones inherentes a los datos, en lugar de predecir las variables de salida. El objetivo del aprendizaje no supervisado es descubrir similitudes o asociaciones entre datos y clasificarlos en una clase o extraer características de los datos. Los ejemplos de aprendizaje no supervisado incluyen tareas como agrupación, reducción de dimensionalidad y detección de anomalías.
El aprendizaje supervisado y el aprendizaje no supervisado tienen diferentes escenarios de aplicación y funciones:
- El aprendizaje supervisado generalmente se aplica cuando se conoce la variable de salida, como problemas de clasificación y regresión. Su objetivo es predecir nuevas salidas aprendiendo la relación entre entradas y salidas conocidas.
- El aprendizaje no supervisado es adecuado para conjuntos de datos no etiquetados, como problemas de agrupamiento y reducción de dimensionalidad. Su objetivo es descubrir patrones y estructuras útiles a partir de datos para su posterior análisis y procesamiento.
En aplicaciones prácticas, el aprendizaje supervisado y el aprendizaje no supervisado generalmente necesitan cooperar entre sí, como el uso de métodos de aprendizaje no supervisado para el preprocesamiento de datos y la extracción de características, y luego el uso de métodos de aprendizaje supervisado para tareas de clasificación o regresión.
Comparta algunos de los materiales de aprendizaje de inteligencia artificial que he compilado para usted de forma gratuita. Se ha compilado durante mucho tiempo y es muy completo. Incluyendo algunos videos introductorios básicos de inteligencia artificial + AI marco común videos prácticos, visión por computadora, aprendizaje automático, reconocimiento de imágenes, NLP, OpenCV, YOLO, pytorch, aprendizaje profundo y red neuronal y otros videos, código fuente de cursos, conocido nacional y extranjero recursos de élite, documentos populares de IA, etc.
Las siguientes son algunas capturas de pantalla, haga clic en la tarjeta de presentación al final del artículo para seguir mi cuenta oficial [AI Technology Planet] y envíe la contraseña 321 para recibirla (debe enviar la contraseña 321)
Tabla de contenido
1. Cursos y proyectos de video gratuitos de IA
2. Libros imprescindibles sobre inteligencia artificial
3. Colección de Papers sobre Inteligencia Artificial
4. Tutorial de algoritmo básico de Machine Learning + Computer Vision
Cinco, hoja de trucos de aprendizaje automático de aprendizaje profundo (un total de 26)
Para aprender bien la inteligencia artificial, necesita leer más libros, hacer más trabajo práctico y practicar más. Si desea mejorar su nivel, debe aprender a calmarse y aprender sistemáticamente lentamente, para que pueda ganar algo en el fin.