पर्यवेक्षित विरुद्ध पर्यवेक्षी नसलेले शिक्षण सोपे केले

कधी विचार केला आहे की मशीन्स चेहरे ओळखायला कसे शिकतात किंवा तुम्हाला आवडतील अशा व्हिडिओंची शिफारस कशी करतात? हे सर्व मशीन लर्निंगमधील दोन मुख्य प्रकारच्या शिकण्यापर्यंत येते: पर्यवेक्षित आणि पर्यवेक्षित शिक्षण. या दोन अध्यापन शैलींप्रमाणे आहेत-एक शिक्षकासह, आणि दुसरी जिथे मशीन स्वतः गोष्टी शोधून काढते. ते काय आहेत, ते कसे कार्य करतात आणि तुम्हाला ते वास्तविक जीवनात कुठे सापडतील ते पाहू या.

मूलभूत

मुळात, मशीन लर्निंग म्हणजे डेटामधील नमुने शोधण्यासाठी मॉडेलला प्रशिक्षण देणे. परंतु ते प्रशिक्षण कसे घडते हे आपण पर्यवेक्षी किंवा पर्यवेक्षित शिक्षणाबद्दल बोलत आहोत यावर अवलंबून आहे.

पर्यवेक्षित शिक्षणामध्ये, मशीन लेबल केलेल्या डेटावरून शिकते. फ्लॅशकार्ड्ससह अभ्यास म्हणून याचा विचार करा. तुम्हाला मांजरीचे चित्र दिसते आणि त्यावर “मांजर” असे लेबल आहे. कालांतराने, मशीन कोणती वैशिष्ट्ये मांजर बनवते हे शिकते.

पर्यवेक्षण न केलेल्या शिक्षणामध्ये, कोणतीही लेबले नसतात. हे कोडे तुकड्यांचा एक गुच्छ सोपवण्यासारखे आहे आणि अंतिम चित्र कसे दिसते हे जाणून घेतल्याशिवाय ते एकत्र कसे बसतात हे शोधून काढण्यासारखे आहे. मशीन फक्त लपलेले नमुने किंवा गट स्वतःच शोधते.

पर्यवेक्षण केले

पर्यवेक्षित शिक्षण हे प्रशिक्षक असण्यासारखे आहे. अल्गोरिदमला योग्य आउटपुटसह इनपुट डेटा मिळतो. हे त्याच्या अंदाजांची वास्तविक उत्तरांशी तुलना करून, जसे जाते तसे समायोजित करून शिकते. हा दृष्टीकोन अशा कार्यांसाठी उत्तम आहे जिथे तुम्हाला परिणाम आधीच माहित आहे आणि नवीन डेटासाठी त्याचा अंदाज लावायचा आहे.

पर्यवेक्षित शिक्षणाचे काही सामान्य प्रकार येथे आहेत:

• वर्गीकरण – श्रेणीचा अंदाज लावते (उदा. स्पॅम किंवा स्पॅम नाही)
• प्रतिगमन – संख्येचा अंदाज लावतो (उदा. घराची किंमत, तापमान)

पर्यवेक्षित शिक्षणाची उदाहरणे:

केस वापरा	वर्णन
ईमेल स्पॅम शोध	ईमेल स्पॅम किंवा स्पॅम म्हणून वर्गीकृत करते
क्रेडिट स्कोअरिंग	कोणीतरी कर्जाची परतफेड करण्याची शक्यता आहे का याचा अंदाज लावतो
स्टॉक अंदाज	भविष्यातील स्टॉकच्या किमतींचा अंदाज लावतो
आवाज ओळख	भाषणाचे मजकूरात रूपांतर करते

येथे मुख्य गोष्ट अशी आहे की प्रशिक्षणादरम्यान योग्य उत्तरे कोणती आहेत हे मशीनला सांगितले जाते.

पर्यवेक्षण न केलेले

दुसरीकडे, पर्यवेक्षित नसलेल्या शिक्षणाला योग्य किंवा चुकीची उत्तरे नाहीत-फक्त डेटा. मॉडेल स्वतःच रचना आणि नमुने शोधते. हे सहसा लपविलेले गट शोधण्यासाठी किंवा डेटाची जटिलता कमी करण्यासाठी वापरले जाते.

पर्यवेक्षित नसलेल्या शिक्षणातील काही तंत्रे येथे आहेत:

• क्लस्टरिंग – समानतेवर आधारित डेटा गटबद्ध करा (उदा. ग्राहक विभाग)
• आयाम कमी करणे – महत्वाची माहिती ठेवताना डेटा सुलभ करते (उदा. उच्च-आयामी डेटाचे दृश्यमान करणे)

पर्यवेक्षित नसलेल्या शिक्षणाची उदाहरणे:

केस वापरा	वर्णन
ग्राहक विभाजन	लक्ष्यित विपणनासाठी समान ग्राहकांचे गट करा
उत्पादन शिफारस	वापरकर्त्याच्या वर्तन पद्धतींवर आधारित आयटम सुचवते
विसंगती शोध	डेटामधील असामान्य वर्तन ओळखते
मार्केट बास्केट विश्लेषण	वारंवार एकत्र खरेदी केलेल्या वस्तू शोधते

जेव्हा तुमच्याकडे लेबल नसतात परंतु तरीही तुमचा डेटा समजून घ्यायचा असतो तेव्हा अशा प्रकारचे शिक्षण शक्तिशाली असते.

फरक

गोष्टी आणखी स्पष्ट करण्यासाठी दोन बाजू-बाजूची तुलना करूया:

वैशिष्ट्य	पर्यवेक्षित शिक्षण	पर्यवेक्षण न केलेले शिक्षण
लेबल केलेला डेटा	आवश्यक आहे	आवश्यक नाही
ध्येय	ज्ञात परिणामांचा अंदाज लावा	लपलेले नमुने शोधा
उदाहरणे	वर्गीकरण, प्रतिगमन	क्लस्टरिंग, असोसिएशन
अभिप्राय	होय, प्रशिक्षणादरम्यान	कोणताही अभिप्राय नाही
केसेस वापरा	फसवणूक शोधणे, अंदाज	ग्राहक विभाजन, अंतर्दृष्टी

तुम्ही काय शोधत आहात हे तुम्हाला माहीत असताना पर्यवेक्षित सर्वोत्तम असते. तुम्ही करत नसताना पर्यवेक्षण न केलेले उत्तम असते.

वास्तविक जग

आश्चर्य वाटत आहे की तुम्हाला हे कृतीत कुठे दिसते? तुम्ही ते दररोज वापरता-कदाचित ते लक्षात न घेता.

• जेव्हा Netflix पुढे काय पहायचे सुचवते? ते पर्यवेक्षण न केलेले शिक्षण आहे.
• तुमची बँक संशयास्पद व्यवहार दर्शवते तेव्हा? ते पर्यवेक्षित शिक्षण आहे.
• तुमचा फोन तुमचा चेहरा वापरून अनलॉक केव्हा होतो? पुन्हा देखरेख केली.

या शिक्षण पद्धती आधुनिक AI च्या मागे इंजिन आहेत—आणि त्या अधिक डेटासह अधिक हुशार होत राहतात.

निवडत आहे

मग कोणते वापरायचे ते कसे निवडायचे? हे सर्व आपल्या डेटावर येते. तुमचा डेटा लेबल केलेला असल्यास आणि तुम्हाला अंदाज बांधायचा असल्यास, पर्यवेक्षित सोबत जा. जर ते लेबल केलेले नसेल आणि तुम्हाला फक्त नमुने एक्सप्लोर करायचे असतील किंवा शोधायचे असतील, तर पर्यवेक्षित नसलेला तुमचा मित्र आहे.

काहीवेळा, अर्ध-पर्यवेक्षित शिक्षण किंवा मजबुतीकरण शिक्षण म्हणतात त्यामध्ये दोन्ही एकत्र वापरले जातात-परंतु तो दुसऱ्या दिवसाचा विषय आहे.

मशीन लर्निंग भयावह वाटू शकते, परंतु एकदा का तुम्ही या दोन मुख्य प्रकारांना हँग केले की, बाकी सर्व काही ठिकाणी पडू लागते.

वारंवार विचारले जाणारे प्रश्न