Uczenie nadzorowane, nienadzorowane i przez wzmacnianie
Poznaj trzy główne paradygmaty ML, przeanalizuj konkretne zastosowania każdego z nich i dopasuj problemy z rzeczywistego świata do właściwego rodzaju uczenia.
Uczenie nadzorowane, nienadzorowane i przez wzmacnianie to bezpłatna lekcja Machine Learning Academy na CoddyKit. To lekcja 2 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Machine Learning Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Machine Learning Academy zawiera 4 lekcji w sumie.
Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.
Three Learning Paradigms Overview
ML isn't one technique but a family, split by the feedback they learn from. The big three: supervised, unsupervised, and reinforcement learning.
Supervised Learning: Learning with Labels
Supervised learning trains on examples that already have the right answer (a label). It powers most ML you use, for both classification and prediction.
# 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]])) # ~$240,000Supervised Learning Use Cases
Supervised learning is everywhere: spam filters, medical diagnosis, credit scoring, and image recognition. In each, the model learns from past labeled examples.
Unsupervised Learning: Finding Hidden Structure
Unsupervised learning works with no labels at all. The algorithm explores the data and finds hidden structure on its own — most often by clustering.
# 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 labelsUnsupervised Learning Use Cases
Unsupervised learning shines when labels are too costly: grouping customers, spotting anomalies in network traffic, or finding topics across thousands of articles.
Reinforcement Learning: Learning by Doing
In reinforcement learning, an agent acts in an environment and earns rewards or penalties — learning the best strategy by trial and error, like training a dog. 🐕
Reinforcement Learning Use Cases
Reinforcement learning drives some famous wins: AlphaGo mastering Go through self-play, robots learning to walk, and agents learning to drive in simulation.
Self-Supervised Learning: A Fourth Paradigm
A modern twist is self-supervised learning: the data labels itself. Language models like BERT learn by predicting masked words in a sentence.
Matching Problems to Paradigms
To pick a paradigm, ask: do you have labels? Is the output a category or a number? Is learning reward-driven? A safe default is supervised learning.
Semi-Supervised Learning: Best of Both Worlds
Semi-supervised learning mixes a little labeled data with lots of unlabeled data — perfect when labeling is expensive but raw data is plentiful.
Scikit-learn API for All Paradigms
scikit-learn shines with one consistent API: create an estimator, call fit(), then predict() or transform(). Swapping algorithms takes barely any code.
# 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)Quick Check
Test your understanding of Machine Learning with Python concepts from this lesson.
Lesson Recap
Nice work! Supervised learns from labels, unsupervised finds hidden structure, and reinforcement learns by reward. Next: the full ML workflow.
Często zadawane pytania
Czy lekcja „Uczenie nadzorowane, nienadzorowane i przez wzmacnianie” jest bezpłatna?
Tak — pełny tekst „Uczenie nadzorowane, nienadzorowane i przez wzmacnianie” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Machine Learning Academy, przejdź na CoddyKit PRO. Kurs Machine Learning Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „Uczenie nadzorowane, nienadzorowane i przez wzmacnianie”?
Poznaj trzy główne paradygmaty ML, przeanalizuj konkretne zastosowania każdego z nich i dopasuj problemy z rzeczywistego świata do właściwego rodzaju uczenia. Ćwiczysz Machine Learning Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć Machine Learning Academy?
Nie wymagamy żadnego doświadczenia. Machine Learning Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 2 z 4.
Ile czasu zajmuje lekcja „Uczenie nadzorowane, nienadzorowane i przez wzmacnianie”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji Machine Learning Academy?
Tak. Każda lekcja Machine Learning Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Programowanie tradycyjne a uczenie maszynowe
- Uczenie nadzorowane, nienadzorowane i przez wzmacnianie
- Przepływ pracy ML: od danych do predykcji
- ML w praktyce: zastosowania i ograniczenia