П:
Која је разлика између учења под надзором, без надзора и под надзором?
А:Кључна разлика између надзираног и неконтролисаног учења у машинском учењу је употреба података о обуци.
Надзирано учење користи примјере података да би показало како "тачни" подаци изгледају. Подаци су структурирани тако да приказују излазе даних улаза.
Алгоритам машинског учења који класификује воће може имати слике воћа као што су јабуке, банане, грожђе и наранџе као улазе, а имена тих плодова као излаз.
Пример у стварном свету били би Баиесови филтри за нежељену пошту у програмима е-поште. Ови филтри су обучени са примерима е-порука које се сматрају нежељеном поште. Филтар нежељене поште тада може да тражи одређене фразе које се појављују у е-порукама које се појављују у нежељеној е-пошти и премешта их у мапу нежељене поште.
То је попут показивања човјеку како да ради нови задатак. Особи која врши унос података могу се приказати примери података у формату који компанија жели и од њега се очекује да га следи.
Програми машинског учења помоћу надзираног учења понављају више пута са подацима о обуци. Резултати могу бити импресивни када заиста крене. Гоогле-ов Гмаил филтер за нежељену пошту је врло прецизан јер га много људи тренира.
Учење без надзора нема података о претходној обуци. У нашем примјеру класификације воћа, алгоритам може једноставно приказати слике воћа и рећи их да их класифицирају.
Ненадзирано учење има примјене у истраживању тржишта учењем навика купца или сигурности надгледањем образаца хаковања.
Полу-надзирано учење покушава заузети средину, обележавањем неких података. На пример, јабука и наранџа могу бити означене у програму класификације воћа, али банана и грожђе нису.
Када се користи било који од ових алгоритама, зависиће од врсте података који се користе. Неки задаци имају стабилне обрасце, као што су превара кредитне картице или нежељене поруке. Надзирано учење је прикладно за овакве задатке. Мрежни напади су непредвидљиви, а методе учења без надзора или под надзором могу бити погодније.
