सुपरवाइज्ड और अनसुप्राइज़्ड लर्निंग के बीच अंतर
सुपरवाइज्ड लर्निंग: सुपरवाइज्ड लर्निंग उस मॉडल की सीख है जहां इनपुट वैरिएबल (जैसे, x) और आउटपुट वेरिएबल (कहते हैं, Y) और आउटपुट के लिए इनपुट को मैप करने के लिए एक एल्गोरिथ्म है।
अर्थात, Y = f (X)
सीखने की निगरानी क्यों?
मूल उद्देश्य मैपिंग फ़ंक्शन (ऊपर वर्णित) को इतनी अच्छी तरह से अनुमानित करना है कि जब कोई नया इनपुट डेटा (x) हो तो संबंधित आउटपुट चर का अनुमान लगाया जा सकता है।
इसे पर्यवेक्षित शिक्षण कहा जाता है क्योंकि एक सीखने की प्रक्रिया (प्रशिक्षण डाटासेट से) को एक शिक्षक के रूप में सोचा जा सकता है जो पूरी सीखने की प्रक्रिया की निगरानी कर रहा है। इस प्रकार, "लर्निंग अल्गोरिथम" पुनरावृत्ति प्रशिक्षण डेटा पर भविष्यवाणियां करता है और "शिक्षक" द्वारा सही किया जाता है, और जब एल्गोरिथ्म प्रदर्शन का एक स्वीकार्य स्तर (या वांछित सटीकता) प्राप्त करता है, तो सीखना बंद हो जाता है।
सुपरवाइज्ड लर्निंग का उदाहरण
मान लीजिए कि एक टोकरी है जो कुछ ताजे फलों से भरी हुई है, कार्य एक ही स्थान पर एक ही प्रकार के फलों की व्यवस्था करना है।
इसके अलावा, मान लें कि फल सेब, केला, चेरी, अंगूर हैं।
मान लीजिए कि कोई पहले से ही अपने पिछले काम (या अनुभव) से जानता है कि, टोकरी में मौजूद प्रत्येक फल का आकार ऐसा है, तो उनके लिए एक ही स्थान पर एक ही प्रकार के फलों को व्यवस्थित करना आसान है।
यहां, पिछले काम को डाटा माइनिंग शब्दावली में प्रशिक्षण डेटा कहा जाता है। तो, यह प्रशिक्षण डेटा से चीजें सीखता है। ऐसा इसलिए है क्योंकि इसमें एक प्रतिक्रिया चर है जो y कहती है कि यदि कुछ फल में ऐसा है और इतनी विशेषताएं हैं तो यह अंगूर है, और प्रत्येक फल के लिए समान है।
इस प्रकार की जानकारी को मॉडल को प्रशिक्षित करने के लिए उपयोग किए जाने वाले डेटा से हटा दिया जाता है।
इस प्रकार की सीख को सुपरवाइज्ड लर्निंग कहा जाता है।
ऐसी समस्याओं को शास्त्रीय वर्गीकरण कार्य के तहत सूचीबद्ध किया गया है।
Unsupervised Learning: Unsupervised Learning वह है जहाँ केवल इनपुट डेटा (कहते हैं, X) मौजूद है और कोई आउटपुट आउटपुट वैरिएबल नहीं है।
क्यों अनसुनी सीख दी?
Unsupervised अधिगम का मुख्य उद्देश्य डेटा के बारे में अधिक जानने के लिए डेटा में वितरण को मॉडल करना है।
इसे ऐसा कहा जाता है, क्योंकि कोई सही उत्तर नहीं है और ऐसा कोई शिक्षक नहीं है (पर्यवेक्षित शिक्षण के विपरीत)। डेटा में दिलचस्प संरचना को खोजने और प्रस्तुत करने के लिए एल्गोरिदम को अपने स्वयं के डेविस पर छोड़ दिया जाता है।
अप्रशिक्षित अधिगम का उदाहरण
फिर, मान लीजिए कि एक टोकरी है और यह कुछ ताजे फलों से भरा है। कार्य एक ही स्थान पर एक ही प्रकार के फलों की व्यवस्था करना है।
इस बार उन फलों के बारे में पहले से कोई जानकारी नहीं है, यह पहली बार है कि फलों को देखा या खोजा जा रहा है
तो उन लोगों के बारे में बिना किसी पूर्व ज्ञान के समान फलों का समूह कैसे बनाएं।
सबसे पहले, किसी विशेष फल की किसी भी भौतिक विशेषता का चयन किया जाता है। मान लीजिए रंग।
फिर फलों को रंग के आधार पर व्यवस्थित किया जाता है।
समूह कुछ इस प्रकार होंगे:
लाल रंग समूह: सेब और चेरी फल।
GREEN रंग ग्रुप: केले और अंगूर।
तो अब, एक और शारीरिक चरित्र कहें, आकार, इसलिए अब समूह कुछ इस तरह के होंगे।
लाल रंग और बड़े आकार: सेब।
लाल रंग और छोटे आकार: चेरी फल।
ग्रीन रंग और बड़े आकार: केले।
ग्रीन रंग और छोटे आकार: अंगूर।
काम हो गया!
यहाँ, पहले से कुछ जानने या सीखने की आवश्यकता नहीं है। इसका मतलब है, कोई ट्रेन डेटा और कोई प्रतिक्रिया चर नहीं। इस प्रकार की शिक्षा को अनसुपरिज्ड लर्निंग के रूप में जाना जाता है।
________________________________
सुपरवाइज्ड लर्निंग |असिस्टेड लर्निंग
Supervised learning :इनपुट डेटा इनपुट्स के रूप में ज्ञात और लेबल किए गए डेटा का उपयोग करता है
Unsupervised Learning :-इनपुट के रूप में अज्ञात डेटा का उपयोग करता है
Supervised Learning:- कम्प्यूटेशनल जटिलता
Unsupervised Learning:-बहुत जटिल कम कम्प्यूटेशनल जटिलता
Supervised Learning:-वास्तविक समय डेटा का
Unsupervised Learning:-वास्तविक समय विश्लेषण का उपयोग करता है
Supervised Learning:- कक्षाओं की संख्या ज्ञात है कि
Unsupervised Learning:- कक्षाओं की संख्या ज्ञात नहीं है
Supervised Learning:-परिणामों की
सटीकता सटीक और विश्वसनीय
Unsupervised Learning:-परिणाम मध्यम सटीक और विश्वसनीय परिणाम
Thanks for Visiting!!
Post a Comment