Ohjattu, ohjaamaton ja vahvistusoppiminen
Luokittele ML:n kolme pääasiallista oppimistapaa, tutustu niiden konkreettisiin käyttötapauksiin ja yhdistä tosielämän ongelmat oikeaan oppimistyyppiin.
Ohjattu, ohjaamaton ja vahvistusoppiminen on ilmainen Machine Learning Academy-oppitunti CoddyKitissä. Tämä on oppitunti 2/4. Voit lukea koko oppitunnin alta ilmaiseksi ja harjoitella sen jälkeen käytännössä selaimessa sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla. Oppitunti kuuluu Machine Learning Academy-oppimispolkuun, ja edistymisesi synkronoituu verkon ja CoddyKit-sovelluksen välillä. Machine Learning Academy-kurssilla on yhteensä 4 oppituntia.
Kolmen oppimisparadigman yleiskatsaus
ML ei ole yksi tekniikka vaan joukko menetelmiä, jotka jaotellaan niiden saaman palautteen perusteella. Kolme pääsuuntausta ovat ohjattu, ohjaamaton ja vahvistusoppiminen.
Ohjattu oppiminen: oppiminen nimetyistä esimerkeistä
Ohjattu oppiminen koulutetaan esimerkeillä, joille oikea vastaus (nimiö) on jo tiedossa. Se on useimpien käyttämienne ML-sovellusten taustalla sekä luokittelussa että ennustamisessa.
# Supervised learning example: predict house price
from sklearn.linear_model import LinearRegression
import numpy as np
# Features (size in sq ft) and labels (price in $)
X = np.array([[500], [1000], [1500], [2000]])
y = np.array([100000, 200000, 300000, 400000])
model = LinearRegression()
model.fit(X, y) # supervised: model sees both X and y
# Predict on new data
print(model.predict([[1200]])) # ~$240,000Ohjatun oppimisen käyttötapauksia
Ohjattua oppimista käytetään kaikkialla: roskapostisuodattimissa, lääketieteellisessä diagnostiikassa, luottoluokituksessa ja kuvantunnistuksessa. Jokaisessa tapauksessa malli oppii aiemmista nimetyistä esimerkeistä.
Ohjaamaton oppiminen: piilevän rakenteen löytäminen
Ohjaamaton oppiminen toimii täysin ilman nimiöitä. Algoritmi tutkii dataa ja löytää piilevän rakenteen itse – useimmiten ryhmittelemällä.
# Unsupervised learning example: K-Means clustering
from sklearn.cluster import KMeans
import numpy as np
# No labels — only features
X = np.array([[1, 2], [1.5, 1.8], [5, 8], [8, 8], [1, 0.6], [9, 11]])
kmeans = KMeans(n_clusters=2, random_state=42)
kmeans.fit(X) # no y — discovers structure on its own
print('Cluster assignments:', kmeans.labels_)
# Automatically finds two groups without any labelsOhjaamattoman oppimisen käyttötapauksia
Ohjaamaton oppiminen on hyödyllistä, kun nimiöiden hankkiminen on liian kallista: asiakkaiden ryhmittelyssä, verkkoliikenteen poikkeamien havaitsemisessa tai aiheiden löytämisessä tuhansista artikkeleista.
Vahvistusoppiminen: oppiminen tekemällä
Vahvistusoppimisessa agentti toimii ympäristössä ja saa palkkioita tai rangaistuksia – näin se oppii parhaan strategian kokeilun ja erehdyksen kautta, aivan kuin koiraa koulutettaessa. 🐕
Vahvistusoppimisen käyttötapauksia
Vahvistusoppiminen on mahdollistanut tunnettuja saavutuksia: AlphaGo oppi hallitsemaan gon itseään vastaan pelaamalla, robotit oppivat kävelemään ja agentit oppivat ajamaan simulaatiossa.
Itseohjattu oppiminen: neljäs paradigma
Moderni muunnelma on itseohjattu oppiminen: data nimeää itse itsensä. BERT:n kaltaiset kielimallit oppivat ennustamalla lauseesta peitettyjä sanoja.
Ongelman yhdistäminen sopivaan paradigmaan
Kun valitsette paradigmaa, kysykää itseltänne: onko teillä nimiöitä? Onko tulos luokka vai luku? Ohjaavatko palkkiot oppimista? Turvallinen oletus on ohjattu oppiminen.
Puoliohjattu oppiminen: molempien parhaat puolet
Puoliohjatussa oppimisessa yhdistetään pieni määrä nimettyä dataa suureen määrään nimeämätöntä dataa – se sopii erinomaisesti tilanteisiin, joissa nimeäminen on kallista mutta raakadataa on runsaasti.
Scikit-learn-rajapinta kaikille paradigmoille
scikit-learn loistaa yhden yhtenäisen rajapinnan ansiosta: luotte estimaattorin, kutsutte fit()-funktiota ja sen jälkeen predict()- tai transform()-funktiota. Algoritmien vaihtaminen vaatii tuskin lainkaan koodia.
# Consistent API across paradigms
from sklearn.linear_model import LogisticRegression # supervised
from sklearn.cluster import KMeans # unsupervised
from sklearn.decomposition import PCA # unsupervised
import numpy as np
X = np.random.randn(100, 5)
y = np.random.randint(0, 2, 100)
# Supervised
clf = LogisticRegression()
clf.fit(X, y) # needs labels
# Unsupervised
km = KMeans(n_clusters=3)
km.fit(X) # no labels needed
pca = PCA(n_components=2)
X_reduced = pca.fit_transform(X)Pikatarkistus
Testatkaa tämän oppitunnin Python-aiheisiin liittyvää koneoppimisen ymmärrystänne.
Oppitunnin kertaus
Hienosti tehty! Ohjattu oppiminen oppii nimiöistä, ohjaamaton oppiminen löytää piilevän rakenteen ja vahvistusoppiminen oppii palkkioiden avulla. Seuraavaksi käsittelemme ML:n koko työnkulkua.
Opi Python tekoälytuutorin avulla — ilmaiseksi
Kirjoita ja suorita oikeaa koodia selaimessa, saa välitöntä apua tekoälytuutorilta ympäri vuorokauden ja jatka siitä, mihin jäit, verkossa tai sovelluksessa.
- Kurssit
- 30
- Oppitunnit
- 120
Usein kysytyt kysymykset
Onko oppitunti ”Ohjattu, ohjaamaton ja vahvistusoppiminen” ilmainen?
Kyllä – oppitunnin ”Ohjattu, ohjaamaton ja vahvistusoppiminen” koko tekstin voi lukea täällä verkossa ilmaiseksi. Jos haluat harjoitella interaktiivisesti sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla sekä avata koko Machine Learning Academy-kurssin, päivitä CoddyKit PROhon. Machine Learning Academy-kurssilla on yhteensä 4 oppituntia.
Mitä opin oppitunnilla ”Ohjattu, ohjaamaton ja vahvistusoppiminen”?
Luokittele ML:n kolme pääasiallista oppimistapaa, tutustu niiden konkreettisiin käyttötapauksiin ja yhdistä tosielämän ongelmat oikeaan oppimistyyppiin. Harjoittelet Machine Learning Academy-aihetta koodilla, jonka suoritat suoraan selaimessa. Ympäri vuorokauden käytettävissä oleva tekoälytuutori vastaa kysymyksiisi oppitunnin aikana.
Tarvitsenko kokemusta aloittaakseni Machine Learning Academy-opiskelun?
Aiempi kokemus ei ole tarpeen. CoddyKitin Machine Learning Academy-oppimispolku sopii vasta-alkajista edistyneisiin, joten voit aloittaa tästä tai alusta ja edetä omaan tahtiisi. Tämä on oppitunti 2/4.
Kuinka kauan ”Ohjattu, ohjaamaton ja vahvistusoppiminen”-oppitunnin suorittaminen kestää?
Useimmat CoddyKitin oppitunnit kestävät noin 5–10 minuuttia. Jokainen oppitunti on lyhyt ja interaktiivinen, joten edistyt tasaisesti ja voit jatkaa siitä, mihin jäit – sekä verkossa että sovelluksessa.
Voinko kirjoittaa ja suorittaa koodia tällä Machine Learning Academy-oppitunnilla?
Kyllä. Jokainen Machine Learning Academy-oppitunti sisältää sisäänrakennetun koodieditorin, joten voit kirjoittaa ja suorittaa oikeaa koodia suoraan selaimessa ja saada välitöntä palautetta tekoälyltä – paikallista asennusta ei tarvita.
Kaikki tämän kurssin oppitunnit
- Perinteinen ohjelmointi ja koneoppiminen
- Ohjattu, ohjaamaton ja vahvistusoppiminen
- ML-työnkulku: datasta ennusteeksi
- ML tosielämässä: käyttötapaukset ja rajoitukset