Jedním z nejzákladnějších pojmů, které je třeba zvládnout při seznamování se základy strojového učení, je učení pod dohledem a učení bez dohledu. Tento příspěvek na blogu přináší stručný přehled, vizuální ukázky a několik příkladů strojového učení bez dohledu, které posunou vaše znalosti ML na další úroveň.

Co je strojové učení bez dohledu?

Učení bez dohledu označuje použití sady vstupních proměnných k předpovědi hodnoty označené výstupní proměnné. Vyžaduje označená data (představte si je jako klíč odpovědí, který může model použít k vyhodnocení svého výkonu). Naopak neřízené učení se týká odvozování základních vzorců z neoznačené sady dat bez jakéhokoli odkazu na označené výsledky nebo předpovědi.

Existuje několik metod neřízeného učení, ale shlukování je zdaleka nejčastěji používanou technikou neřízeného učení. Shlukování označuje proces automatického seskupování datových bodů s podobnými vlastnostmi a jejich přiřazování do “shluků”.

Chcete-li vidět praktický příklad shlukování v akci, podívejte se na článek Shlukování:

Případy použití neřízeného strojového učení

Mezi některé případy použití neřízeného učení – konkrétně shlukování – patří:

• Segmentace zákazníků nebo pochopení různých skupin zákazníků, na kterých lze postavit marketingové nebo jiné obchodní strategie.
• Genetika, například shlukování vzorců DNA pro analýzu evoluční biologie.
• Recommender systémy, které zahrnují seskupování uživatelů s podobnými vzorci prohlížení za účelem doporučování podobného obsahu.
• Detekce anomálií, včetně odhalování podvodů nebo detekce vadných mechanických dílů (tj, prediktivní údržba).

Unsupervised Learning and Clustering in Dataiku

Dataiku umožňuje snadno využít technologie strojového učení a získat okamžitou vizuální a statistickou zpětnou vazbu o výkonnosti modelu. Přečtěte si více o shlukování (učení bez dohledu) v Dataiku.

.