Top 10 Thuật Toán Học Không Giám Sát (Unsupervised Learning Algorithms)

Supervised learning (Học có giám sát) và Unsupervised learning (Học ko giám sát) là hai trong những những cách thức kỹ thuật cơ phiên bản của Machine Learning (Học máy). Vậy cụ thể hai phương thức này là gì và không giống nhau như cố gắng nào?

Supervised Learning là gì?

Cách thức học tập của quy mô Supervised Learning. Ảnh: Big Data made simple
Supervised Learning (Học tất cả giám sát) là 1 trong những nhóm thuật toán sử dụng dữ liệu được gán nhãn nhằm quy mô hóa quan hệ giữa biến nguồn vào (x) cùng biến đầu ra output (y). Hai nhóm bài toán cơ bạn dạng trong học có giám sát và đo lường là classification (phân loại) và regression (hồi quy), trong những số ấy biến áp ra output của bài toán phân loại có các giá trị tách rạc trong khi biến cổng output của câu hỏi hồi quy có những giá trị liên tục. Cùng với Supervised Learning, kề bên xây dựng các mô hình mạnh, việc tích lũy và gán nhãn dữ liệu giỏi và hợp lí cũng đóng vai trò chủ yếu để xử lý các việc trong thực tế.

Bạn đang xem: Thuật toán học không giám sát (Unsupervised Learning Algorithms)

Unsupervised Learning là gì?

Cách thức học tập của quy mô Unsupervised Learning. Ảnh: Big Data made simple
Ngược lại, Unsupervised Learning (Học không giám sát) là một trong những nhóm thuật toán thực hiện dữ liệu không tồn tại nhãn. Những thuật toán theo cách tiếp cận này hướng đến việc quy mô hóa được cấu tạo hay thông tin ẩn trong dữ liệu. Tuyệt nói bí quyết khác, thực hiện các cách thức này thiên về vấn đề mô tả tính chất hay tính năng của dữ liệu. Thông thường, những thuật toán này dựa trên những thông tin sau:

Mối quan liêu hệ tương tự (similarity) giữa những ví dụ (được call là instance) trong tài liệu như trong những thuật toán clustering (phân cụm)Xác suất đồng xuất hiện thêm của các đối tượng người sử dụng như vào Association mining
Các phép biến đổi ma trận nhằm trích xuất những đặc trưng như PCA, SVD.

So sánh Supervised Learning cùng Unsupervised Learning

Những khác hoàn toàn cơ phiên bản của phương thức Supervised Learning với Unsupervised Learning được đã cho thấy tại bảng so sánh dưới đây:

Tiêu chí	Supervised Learning	Unsupervised Learning
Dữ liệu để huấn luyện mô hình	Dữ liệu bao gồm nhãn	Dữ liệu không có nhãn
Cách thức học tập của mô hình	Mô hình hóa quan hệ giữa biến nguồn vào và biến đầu ra	Học dựa trên những quan hệ tương tự, sự đồng xuất hiện, hay các phép chuyển đổi ma trận
Thuật toán	Support vector machine, Neural network,Hồi quy tuyến đường tính,Hồi quy logistics,Random forest và Classification trees.	– những thuật toán clustering như K-mean, DBSCAN, Spectral Clustering, Hierarchical clustering- Apriori (Association Rule Mining)- PCA, SVD
Kết quả	Độ chính xác và tin cậy cao	Ít đúng chuẩn hơn

Bảng so sánh Supervised Learning với Unsupervised Learning
Phân loại những thuật toán

Có không ít loại thuật toán về Machine Learning, thường thì chúng được phân ra làm những loại với tiêu chí như sau:

quá trình huấn luyện tất cả cần sự giám sát của con tín đồ hay không?: Supervised (có giám sát), unsupervised (không giám sát), semisupervised (nửa giám sát), và Reinforcement Learning (học tăng cường) So sánh những điểm dữ liệu mới với các điểm tài liệu cũ để lấy ra tóm lại hoặc xây dựng các mẫu quy tắc mang lại dữ liệu huấn luyện rồi xây dựng các model để dự đoán giống như các scientist vẫn hay có tác dụng (instance-based với model-based learning)Supervised/Unsupervised Learning

Thuật toán này thường xuyên được dùng trong các bài toán phân cụm/gán nhãn mang đến dữ liệu.

Supervised Learning

Dữ liệu đầu vào để lấy vào đào tạo thuật toán gồm dữ liệu và nhãn (label) của dữ liệu

Ví dụ về Supervised learning

Một các loại thuật toán của supervised learning là việc gán nhãn dữ liệu. Bộ lọc email là 1 ví dụ mang lại thuật toán này. Model được giảng dạy với không ít mẫu e-mail và mỗi thư điện tử được gán nhãn (spam hoặc ko spam). Cùng thuật toán cần phải học được phương pháp phân một số loại khi cần xác định 1 e-mail mới liệu có phải là spam tốt không.Một loại nữa nhé là dự đoán giá trị số cổng đầu ra (output), ví dụ như giá xe xe hơi với nguồn vào (input) là những thuộc tính của loại xe đó(tuổi đời, số km đang chạy, thương hiệu…). Nhiều loại thuật toán này được hotline là Hồi quy (regression). Để huấn luyện chúng ta phải đưa đầu vào là không hề ít thông tin về các chiếc xe cùng với các thông số kỹ thuật kèm theo giá của chúng)Một số thuật toán hồi quy cũng hoàn toàn có thể được áp dụng để phân các loại và ngược lại. Ví dụ: Hồi quy logistic hay được sử dụng để phân loại, vì nó hoàn toàn có thể xuất ra một giá chỉ trị tương ứng với phần trăm thuộc về một lớp cố định (ví dụ: 20% khả năng là spam).Sau đấy là 1 số thuật toán học đo lường và tính toán mà mình vẫn đề cập dần trong blog:

k-Nearest Neighbors Linear Regression Logistic Regression tư vấn Vector Machines (SVMs) Decision Trees và Random Forests Neural networks

Unsupervised learning

Trong thuật toán học tập không giám sát, dữ liệu huấn luyện và giảng dạy không được gán nhãn. Hệ thống sẽ học nhưng mà không cần ai dạy.Sau đấy là một vài thuật toán học tập không giám sát đặc trưng nhất mà mình vẫn đề cập trong những phần tới:

Phân cụm

k-Means Hierarchical Cluster Analysis (HCA) Expectation Maximization

Biểu diễn và giảm số chiều

Principal Component Analysis (PCA) Kernel PCA— Locally-Linear Embedding (LLE) t-distributed Stochastic Neighbor Embedding (t-SNE)

Học từ pháp luật kết hợp

Apriori Eclat

Ví dụ: đưa sử bạn có nhiều dữ liệu về khách truy vấn blog của bạn. Chúng ta cũng có thể muốn chạy một thuật toán phân nhiều để nỗ lực phát hiện những nhóm khách hàng truy cập. Các bạn không khi nào biết khách truy vấn thuộc về nhóm nào nhưng mà thuật toán học tập không đo lường sẽ tự động hóa phân nhóm những khách truy cập.Có thể phân biệt rằng 40% khách hàng truy cập của khách hàng là nam cùng thích công nghệ, thường hiểu blog của chúng ta vào buổi tối, trong những khi 20% là những tình nhân thích , hay đọc vào thời điểm cuối tuần, v.v. Nếu như khách hàng sử dụng thuật toán phân cụm theo phân cấp, nó cũng có thể chia mỗi đội thành các nhóm bé dại hơn. Điều này rất có thể giúp bạn nhắm mục tiêu bài viết của bạn.

Semi-Supervised Learning (Học buôn bán giám sát)

Các bài toán khi họ có một lượng lớn tài liệu nhưng chỉ một trong những phần trong chúng được gán nhãn được hotline là Semi-Supervised Learning. Những bài toán thuộc đội này nằm giữa hai đội được nêu mặt trên.Một ví dụ điển hình của tập thể nhóm này là chỉ có một phần ảnh hoặc văn bản được gán nhãn (ví dụ bức ảnh về người, động vật hoặc những văn bản khoa học, thiết yếu trị) và đa phần các bức ảnh/văn bạn dạng khác không được gán nhãn được tích lũy từ internet. Thực tế cho biết rất nhiều những bài toán Machine Learning thuộc vào đội này vì chưng việc tích lũy dữ liệu có nhãn tốn không hề ít thời gian cùng có chi tiêu cao. Không ít loại tài liệu thậm chí cần được có chuyên gia mới gán nhãn được (ảnh y học chẳng hạn). Ngược lại, dữ liệu chưa tồn tại nhãn có thể được tích lũy với túi tiền thấp từ internet.

Học bức tốc (Reinforcement Learning)

Khác với học tất cả giám sát, vào học bức tốc không có các cặp tài liệu vào/kết quả đúng, các hành vi gần tối ưu cũng ko được nhận xét đúng sai một phương pháp tường minh. Hơn nữa, làm việc đây chuyển động trực tuyến đường (on-line performance) được quan tâm, trong những số ấy có việc tìm kiếm một sự cân đối giữa tìm hiểu (lãnh thổ chưa lập phiên bản đồ) và khai quật (tri thức hiện nay có). Trong học tập tăng cường, sự được và mất giữa tò mò và khai quật đã được nghiên cứu chủ yếu hèn qua việc multi-armed bandit.

Xem thêm: Các Chủ Đề Tiếng Anh Giao Tiếp Cho Người Mới Bắt Đầu Đơn Giản Và Hiệu Quả

Tóm lại

Có nhiều thuật toán học không giống nhau và được phân một số loại dựa theo các tiêu chí khác nhau, các bạn có thể tự chỉ dẫn một tiêu chí và phân nhiều loại theo cách của bản thân cũng không sự việc gì :)) tôi chỉ tổng phù hợp lại một số ít cách phân nhiều loại mà mọi bạn hay dùng. Hi vọng qua bài viết này mọi tín đồ sẽ gọi thêm về những loại thuật toán trong ML.