การเรียนรู้ของเครื่อง - ไม่ได้รับการดูแล

จนถึงตอนนี้สิ่งที่คุณได้เห็นคือการทำให้เครื่องเรียนรู้ที่จะหาวิธีแก้ปัญหาให้กับเป้าหมายของเรา ในการถดถอยเราฝึกให้เครื่องทำนายมูลค่าในอนาคต ในการจัดหมวดหมู่เราฝึกให้เครื่องจำแนกวัตถุที่ไม่รู้จักในประเภทใดประเภทหนึ่งที่กำหนดโดยเรา ในระยะสั้นเราได้รับการฝึกอบรมเครื่องจักรเพื่อให้สามารถทำนาย Y สำหรับข้อมูลของเรา X เนื่องจากมีชุดข้อมูลขนาดใหญ่และไม่ได้ประมาณหมวดหมู่จึงเป็นเรื่องยากสำหรับเราที่จะฝึกเครื่องโดยใช้การเรียนรู้ภายใต้การดูแล จะเกิดอะไรขึ้นถ้าเครื่องสามารถค้นหาและวิเคราะห์ข้อมูลขนาดใหญ่ที่ทำงานในหลายกิกะไบต์และเทราไบต์และแจ้งให้เราทราบว่าข้อมูลนี้มีหมวดหมู่ที่แตกต่างกันมากมาย?

ตัวอย่างเช่นพิจารณาข้อมูลของผู้มีสิทธิเลือกตั้ง เมื่อพิจารณาข้อมูลบางอย่างจากผู้มีสิทธิเลือกตั้งแต่ละคน (สิ่งเหล่านี้เรียกว่าคุณลักษณะในคำศัพท์ AI) ให้เครื่องทำนายว่ามีผู้มีสิทธิเลือกตั้งจำนวนมากที่จะลงคะแนนให้พรรคการเมือง X และจำนวนมากจะลงคะแนนให้ Y เป็นต้น ดังนั้นโดยทั่วไปเราจึงขอให้เครื่องกำหนดจุดข้อมูล X จำนวนมากว่า“ คุณบอกอะไรเกี่ยวกับ X ได้บ้าง” หรืออาจเป็นคำถามเช่น“ 5 กลุ่มที่ดีที่สุดที่เราสร้างจาก X ได้คืออะไร” หรืออาจเป็นเช่น“ คุณลักษณะสามประการใดที่เกิดขึ้นพร้อมกันบ่อยที่สุดใน X”

นี่คือการเรียนรู้ที่ไม่มีผู้ดูแลเป็นข้อมูลเกี่ยวกับ

อัลกอริทึมสำหรับการเรียนรู้ที่ไม่มีผู้ดูแล

ตอนนี้ให้เราพูดถึงหนึ่งในอัลกอริทึมที่ใช้กันอย่างแพร่หลายสำหรับการจำแนกประเภทในแมชชีนเลิร์นนิงที่ไม่ได้รับการดูแล

k-mean clustering

การเลือกตั้งประธานาธิบดีในสหรัฐอเมริกาปี 2000 และ 2004 เป็นไปอย่างใกล้ชิด - ใกล้มาก เปอร์เซ็นต์คะแนนนิยมที่มากที่สุดที่ผู้สมัครได้รับคือ 50.7% และต่ำสุดคือ 47.9% หากผู้มีสิทธิเลือกตั้งต้องสลับข้างผลการเลือกตั้งจะแตกต่างกันไป มีผู้มีสิทธิเลือกตั้งกลุ่มเล็ก ๆ ที่เมื่อได้รับการร้องเรียนอย่างถูกต้องแล้วจะเปลี่ยนข้าง กลุ่มเหล่านี้อาจไม่ได้ใหญ่โต แต่ด้วยการแข่งขันที่ใกล้ชิดเช่นนี้พวกเขาอาจใหญ่พอที่จะเปลี่ยนแปลงผลการเลือกตั้งได้ คุณจะพบกลุ่มคนเหล่านี้ได้อย่างไร? คุณจะดึงดูดพวกเขาด้วยงบประมาณที่ จำกัด ได้อย่างไร? คำตอบคือการรวมกลุ่ม

ให้เราเข้าใจว่ามันทำอย่างไร

• ขั้นแรกคุณต้องรวบรวมข้อมูลเกี่ยวกับบุคคลทั้งที่มีหรือไม่ได้รับความยินยอม: ข้อมูลใด ๆ ที่อาจให้เบาะแสเกี่ยวกับสิ่งที่สำคัญสำหรับพวกเขาและสิ่งที่จะมีผลต่อวิธีการลงคะแนน

• จากนั้นคุณใส่ข้อมูลนี้ลงในอัลกอริทึมการทำคลัสเตอร์บางประเภท

• ถัดไปสำหรับแต่ละคลัสเตอร์ (ควรเลือกกลุ่มที่ใหญ่ที่สุดก่อน) คุณต้องสร้างข้อความที่จะดึงดูดผู้มีสิทธิเลือกตั้งเหล่านี้

• ในที่สุดคุณก็ส่งมอบแคมเปญและวัดผลเพื่อดูว่าทำงานได้หรือไม่

การจัดกลุ่มเป็นประเภทของการเรียนรู้ที่ไม่มีผู้ดูแลซึ่งรวมกลุ่มของสิ่งที่คล้ายกันโดยอัตโนมัติ มันเป็นเหมือนการจัดหมวดหมู่โดยอัตโนมัติ คุณสามารถจัดกลุ่มได้เกือบทุกอย่างและยิ่งรายการที่คล้ายกันอยู่ในคลัสเตอร์คลัสเตอร์ก็จะยิ่งดีขึ้น ในบทนี้เราจะศึกษาอัลกอริทึมการจัดกลุ่มประเภทหนึ่งที่เรียกว่า k-mean เรียกว่า k-mean เนื่องจากพบคลัสเตอร์ที่ไม่ซ้ำกัน 'k' และศูนย์กลางของแต่ละคลัสเตอร์คือค่าเฉลี่ยของค่าในคลัสเตอร์นั้น

การระบุคลัสเตอร์

การระบุคลัสเตอร์จะบอกอัลกอริทึมว่า“ นี่คือข้อมูลบางส่วน ตอนนี้จัดกลุ่มสิ่งที่คล้ายกันเข้าด้วยกันและบอกฉันเกี่ยวกับกลุ่มเหล่านั้น” ข้อแตกต่างที่สำคัญจากการจัดหมวดหมู่คือในการจัดหมวดหมู่คุณรู้ว่าคุณกำลังมองหาอะไร แม้ว่าจะไม่เป็นเช่นนั้นในการทำคลัสเตอร์

การจัดกลุ่มบางครั้งเรียกว่าการจัดประเภทโดยไม่ได้รับการดูแลเนื่องจากให้ผลลัพธ์เช่นเดียวกับการจัดหมวดหมู่ แต่ไม่มีคลาสที่กำหนดไว้ล่วงหน้า

ตอนนี้เราสบายใจกับการเรียนรู้ทั้งแบบมีผู้ดูแลและไม่มีผู้ดูแล เพื่อทำความเข้าใจหมวดหมู่การเรียนรู้ของเครื่องที่เหลือก่อนอื่นเราต้องเข้าใจ Artificial Neural Networks (ANN) ซึ่งเราจะเรียนรู้ในบทถัดไป