Övervakad, oövervakad och förstärkningsinlärning
Ni kommer att kategorisera de tre huvudsakliga ML-paradigmen, undersöka konkreta användningsområden för varje paradigm och koppla verkliga problem till rätt typ av inlärning.
Övervakad, oövervakad och förstärkningsinlärning är en gratis lektion i Machine Learning Academy på CoddyKit. Detta är lektion 2 av 4. Ni kan läsa hela lektionen gratis nedan och sedan öva praktiskt i webbläsaren med en inbyggd kodredigerare och en AI-handledare som är tillgänglig dygnet runt. Den ingår i lärvägen för Machine Learning Academy, och Era framsteg synkroniseras mellan webben och CoddyKit-appen. Kursen i Machine Learning Academy innehåller totalt 4 lektioner.
Översikt över de tre inlärningsparadigmen
ML är inte en enda teknik utan en hel familj, indelad efter vilken återkoppling modellerna lär sig från. De tre huvudtyperna är övervakad, oövervakad och förstärkningsbaserad inlärning.
Övervakad inlärning: inlärning med etiketter
Övervakad inlärning tränas på exempel som redan har rätt svar (en etikett). Den används i den största delen av den ML du möter, både för klassificering och prediktion.
# 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]])) # ~$240,000Användningsområden för övervakad inlärning
Övervakad inlärning finns överallt: spamfilter, medicinsk diagnos, kreditbedömning och bildigenkänning. I varje fall lär sig modellen från tidigare etiketterade exempel.
Oövervakad inlärning: att hitta dold struktur
Oövervakad inlärning använder inga etiketter alls. Algoritmen utforskar data och hittar dold struktur på egen hand – oftast genom klustring.
# 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 labelsAnvändningsområden för oövervakad inlärning
Oövervakad inlärning glänser när etiketter är för kostsamma: gruppering av kunder, upptäckt av avvikelser i nätverkstrafik eller identifiering av ämnen bland tusentals artiklar.
Förstärkningsinlärning: att lära genom att göra
Vid förstärkningsinlärning agerar en agent i en miljö och får belöningar eller bestraffningar – den lär sig den bästa strategin genom försök och misstag, ungefär som när du tränar en hund. 🐕
Användningsområden för förstärkningsinlärning
Förstärkningsinlärning ligger bakom flera välkända framgångar: AlphaGo lärde sig bemästra Go genom självspel, robotar lär sig gå och agenter lär sig köra i simuleringar.
Självövervakad inlärning: ett fjärde paradigm
En modern variant är självövervakad inlärning: data skapar sina egna etiketter. Språkmodeller som BERT lär sig genom att förutsäga maskerade ord i en mening.
Att matcha problem med paradigm
För att välja paradigm kan du fråga: har du etiketter? Är resultatet en kategori eller ett tal? Styrs inlärningen av belöningar? Ett tryggt standardval är övervakad inlärning.
Sem övervakad inlärning: det bästa av två världar
Semiovervakad inlärning kombinerar lite etiketterade data med mycket oetiketterade data – perfekt när etikettering är dyrt men rådata finns i överflöd.
scikit-learn-API för alla paradigm
scikit-learn utmärker sig med ett enhetligt API: skapa en estimator, anropa fit() och därefter predict() eller transform(). Att byta algoritm kräver knappt någon kod.
# 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)Snabb kontroll
Testa dina kunskaper om maskininlärning med Python-begrepp från den här lektionen.
Sammanfattning av lektionen
Bra jobbat! Övervakad inlärning lär sig från etiketter, oövervakad inlärning hittar dold struktur och förstärkningsinlärning lär sig genom belöningar. Nästa steg: hela ML-arbetsflödet.
Lär dig Python med en AI-lärare – gratis
Skriv och kör riktig kod i webbläsaren, få omedelbar hjälp av en AI-lärare dygnet runt och fortsätt där du slutade – på webben eller i appen.
- Kurser
- 30
- Lektioner
- 120
Vanliga frågor
Är lektionen ”Övervakad, oövervakad och förstärkningsinlärning” gratis?
Ja – hela texten till ”Övervakad, oövervakad och förstärkningsinlärning” kan läsas gratis här på webben. Om Ni vill öva interaktivt med en inbyggd kodredigerare och en AI-handledare som är tillgänglig dygnet runt och låsa upp resten av kursen i Machine Learning Academy, kan Ni uppgradera till CoddyKit PRO. Kursen i Machine Learning Academy innehåller totalt 4 lektioner.
Vad lär jag mig i ”Övervakad, oövervakad och förstärkningsinlärning”?
Ni kommer att kategorisera de tre huvudsakliga ML-paradigmen, undersöka konkreta användningsområden för varje paradigm och koppla verkliga problem till rätt typ av inlärning. Ni övar på Machine Learning Academy med praktisk kod som körs direkt i webbläsaren, medan en AI-handledare som är tillgänglig dygnet runt svarar på Era frågor under lektionen.
Behöver jag någon erfarenhet för att börja lära mig Machine Learning Academy?
Du behöver inga förkunskaper. Utbildningen i Machine Learning Academy på CoddyKit är upplagd för allt från nybörjare till avancerade elever, så att du kan börja här eller från början och gå fram i din egen takt. Detta är lektion 2 av 4.
Hur lång tid tar lektionen ”Övervakad, oövervakad och förstärkningsinlärning”?
De flesta CoddyKit-lektioner tar cirka 5–10 minuter. Varje lektion är kort och interaktiv, så att du gör stadiga framsteg och kan fortsätta precis där du slutade – på webben eller i appen.
Kan jag skriva och köra kod i den här Machine Learning Academy-lektionen?
Ja. Varje Machine Learning Academy-lektion innehåller en inbyggd kodredigerare, så att du kan skriva och köra riktig kod direkt i webbläsaren och få omedelbar AI-feedback – utan lokal installation.
Alla lektioner i den här kursen
- Traditionell programmering kontra maskininlärning
- Övervakad, oövervakad och förstärkningsinlärning
- ML-arbetsflödet: från data till förutsägelse
- ML i praktiken: användningsområden och begränsningar