Przejdź do zawartości

Uczenie nienadzorowane

Z Wikipedii, wolnej encyklopedii
To jest najnowsza wersja artykułu Uczenie nienadzorowane edytowana 16:44, 17 cze 2024 przez Blakocha (dyskusja | edycje).
(różn.) ← poprzednia wersja | przejdź do aktualnej wersji (różn.) | następna wersja → (różn.)

Uczenie nienadzorowane – rodzaj uczenia maszynowego, którego zadaniem jest odkrywanie w zbiorze danych wzorców bez wcześniej istniejących etykiet i przy minimalnej ingerencji człowieka[1]. Uczenie nienadzorowane zakłada brak obecności oczekiwanego wyjścia w danych uczących. W przeciwieństwie do uczenia nadzorowanego, które zwykle wykorzystuje dane oznaczone przez człowieka, uczenie nienadzorowane umożliwia modelowanie gęstości prawdopodobieństwa danych wejściowych. Uczenie nienadzorowane stanowi, wraz z uczeniem nadzorowanym i uczeniem przez wzmacnianie, jedną z trzech głównych kategorii uczenia maszynowego. Wariantem pośrednim pomiędzy uczeniem nadzorowanym i uczeniem nienadzorowanym są techniki uczenie częściowo nadzorowanego.

Dwie główne metody stosowane w uczeniu nienadzorowanym to analiza składowych głównych oraz analiza skupień. Analiza składowych głównych jest wykorzystywana do zmniejszania wymiarowości danych poprzez odkrywanie i odrzucanie cech które niosą ze sobą najmniej informacji. Analiza skupień jest wykorzystywana w celu grupowania lub segmentowania zestawów danych ze wspólnymi atrybutami w celu ekstrapolacji występujących w nich zależności. Analiza skupień identyfikuje podobieństwa w danych i pozwala na grupowanie danych, które nie zostały oznaczone, sklasyfikowane ani skategoryzowane. Ponieważ analiza skupień bazuje na obecności lub braku takich podobieństw w nowej danych, może być wykorzystana aby wykryć nietypowe dane, które nie pasują do żadnej grupy.

Zobacz też

[edytuj | edytuj kod]

Przypisy

[edytuj | edytuj kod]
  1. Aurélien Géron, Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow, Krzysztof Sawka (tłum.), wyd. II, aktualizacja do modułu TensorFlow 2, Gliwice: Helion, 2020, ISBN 978-83-283-6002-0, OCLC 1183366759 [dostęp 2020-11-05].