آموزشی

یادگیری بدون نظارت(Unsupervised learning)
یادگیری بدون نظارت یک روش یادگیری ماشین است که در آن کاربران نیازی به نظارت بر مدل ندارند. در عوض ، به مدل اجازه می دهد تا به تنهایی برای کشف الگوها و اطلاعاتی که قبلاً کشف نشده بودند کار کند، این کار عمدتا با داده های بدون برچسب سروکار دارد.

در یادگیری نظارت نشده بر خلاف یادگیری نظارت شده، داده ها از قبل مشخص نشده است و هدف آن ارتباط بین ورودی و خروجی نیست و فقط دسته‌بندی‌ آن‌ها مهم است و یادگیرنده که باید در داده‌ها به دنبال ساختاری خاص بگردد.

نمونه ای از یادگیری ماشین بدون نظارت
بیایید برای مثال یک نوزاد و سگ خانوادگی اش را در نظر بگیریم، او سگ خانوادگی اش را می شناسد و شناسایی می کند، چند هفته بعد یک دوست خانوادگی یک سگ جدید را به همراه می آورد و سعی می کند با کودک بازی کند.نوزاد این سگ را تا به حال ندیده است. اما بسیاری از خصوصیات (2 گوش ، چشم ، راه رفتن روی 4 پا) که مانند سگ حیوان خانگی او است را شناسایی می کند، او حیوان جدید را به عنوان یک سگ معرفی می کند.

این یادگیری بدون نظارت است ، جایی که به شما آموزش داده نمی شود اما از داده ها می آموزید (در این مورد داده های مربوط به یک سگ) اگر این یادگیری تحت نظارت بود ، دوست خانوادگی به کودک می گفت که این یک سگ است.

چرا از یادگیری بدون نظارت استفاده کنیم؟
در اینجا دلایل اصلی استفاده از یادگیری بدون نظارت آمده است:

یادگیری ماشین بدون نظارت همه نوع الگوهای ناشناخته را در داده ها پیدا می کند.
روش های بدون نظارت به شما در یافتن ویژگی هایی که می توانند برای دسته بندی مفید باشند کمک می کند.
یادگیری بدون نظارت در زمان واقعی انجام می شود ، بنابراین تمام داده های ورودی باید در حضور زبان آموزان تجزیه و تحلیل و برچسب گذاری شوند.
دریافت داده های بدون برچسب از رایانه آسانتر از داده های دارای برچسب است که نیاز به مداخله دستی دارند.
الگوریتم های یادگیری بدون نظارت
الگوریتم های یادگیری بدون نظارت به کاربران امکان می دهد کارهای پردازشی پیچیده تری را در مقایسه با یادگیری تحت نظارت انجام دهند. اگرچه یادگیری بدون نظارت در مقایسه با سایر روشهای یادگیری طبیعی می تواند غیر قابل پیش بینی باشد.

الگوریتم های یادگیری بدون نظارت شامل خوشه بندی ،روش پیوستگی،الگوریتم‌های کاهش ابعاد Dimensionality Reduction،تشخیص ناهنجاری ، شبکه های عصبی و … است.

روش خوشه بندی(Clustering)
خوشه بندی هنگام یادگیری بدون نظارت مفهوم مهمی است. این کار عمدتا با یافتن ساختار یا الگویی در مجموعه داده های دسته بندی نشده سروکار دارد. الگوریتم های خوشه بندی داده های شما را پردازش می کنند و در صورت وجود خوشه های طبیعی (گروه ها) در داده ها ، پیدا می شوند. همچنین می توانید تعداد خوشه هایی را که الگوریتم های شما باید شناسایی کند اصلاح کنید. به شما امکان می دهد دانه بندی این گروه ها را تنظیم کنید به عبارت دیگر داده‌ها به چندین گروه با صفات مشترک تقسیم‌ می‌شوند خوشه بندی نوعی یادگیری بدون نظارت است که در آن الگوهایی را برای داده هایی میابید که روی آنها کار می کنید که ممکن است به صورت شکل ، اندازه و غیره باشد که برای گروه بندی موارد داده یا ایجاد خوشه هم به کار می رود.

یادگیری بدون نظارت(Unsupervised learning)
یادگیری بدون نظارت یک روش یادگیری ماشین است که در آن کاربران نیازی به نظارت بر مدل ندارند. در عوض ، به مدل اجازه می دهد تا به تنهایی برای کشف الگوها و اطلاعاتی که قبلاً کشف نشده بودند کار کند، این کار عمدتا با داده های بدون برچسب سروکار دارد.

در یادگیری نظارت نشده بر خلاف یادگیری نظارت شده، داده ها از قبل مشخص نشده است و هدف آن ارتباط بین ورودی و خروجی نیست و فقط دسته‌بندی‌ آن‌ها مهم است و یادگیرنده که باید در داده‌ها به دنبال ساختاری خاص بگردد.

نمونه ای از یادگیری ماشین بدون نظارت
بیایید برای مثال یک نوزاد و سگ خانوادگی اش را در نظر بگیریم، او سگ خانوادگی اش را می شناسد و شناسایی می کند، چند هفته بعد یک دوست خانوادگی یک سگ جدید را به همراه می آورد و سعی می کند با کودک بازی کند.نوزاد این سگ را تا به حال ندیده است. اما بسیاری از خصوصیات (2 گوش ، چشم ، راه رفتن روی 4 پا) که مانند سگ حیوان خانگی او است را شناسایی می کند، او حیوان جدید را به عنوان یک سگ معرفی می کند.

این یادگیری بدون نظارت است ، جایی که به شما آموزش داده نمی شود اما از داده ها می آموزید (در این مورد داده های مربوط به یک سگ) اگر این یادگیری تحت نظارت بود ، دوست خانوادگی به کودک می گفت که این یک سگ است.

چرا از یادگیری بدون نظارت استفاده کنیم؟
در اینجا دلایل اصلی استفاده از یادگیری بدون نظارت آمده است:

یادگیری ماشین بدون نظارت همه نوع الگوهای ناشناخته را در داده ها پیدا می کند.
روش های بدون نظارت به شما در یافتن ویژگی هایی که می توانند برای دسته بندی مفید باشند کمک می کند.
یادگیری بدون نظارت در زمان واقعی انجام می شود ، بنابراین تمام داده های ورودی باید در حضور زبان آموزان تجزیه و تحلیل و برچسب گذاری شوند.
دریافت داده های بدون برچسب از رایانه آسانتر از داده های دارای برچسب است که نیاز به مداخله دستی دارند.
الگوریتم های یادگیری بدون نظارت
الگوریتم های یادگیری بدون نظارت به کاربران امکان می دهد کارهای پردازشی پیچیده تری را در مقایسه با یادگیری تحت نظارت انجام دهند. اگرچه یادگیری بدون نظارت در مقایسه با سایر روشهای یادگیری طبیعی می تواند غیر قابل پیش بینی باشد.

الگوریتم های یادگیری بدون نظارت شامل خوشه بندی ،روش پیوستگی،الگوریتم‌های کاهش ابعاد Dimensionality Reduction،تشخیص ناهنجاری ، شبکه های عصبی و … است.

روش خوشه بندی(Clustering)
خوشه بندی هنگام یادگیری بدون نظارت مفهوم مهمی است. این کار عمدتا با یافتن ساختار یا الگویی در مجموعه داده های دسته بندی نشده سروکار دارد. الگوریتم های خوشه بندی داده های شما را پردازش می کنند و در صورت وجود خوشه های طبیعی (گروه ها) در داده ها ، پیدا می شوند. همچنین می توانید تعداد خوشه هایی را که الگوریتم های شما باید شناسایی کند اصلاح کنید. به شما امکان می دهد دانه بندی این گروه ها را تنظیم کنید به عبارت دیگر داده‌ها به چندین گروه با صفات مشترک تقسیم‌ می‌شوند خوشه بندی نوعی یادگیری بدون نظارت است که در آن الگوهایی را برای داده هایی میابید که روی آنها کار می کنید که ممکن است به صورت شکل ، اندازه و غیره باشد که برای گروه بندی موارد داده یا ایجاد خوشه هم به کار می رود.