Γλωσσάριο

Μη εποπτευόμενη μάθηση

Τι είναι Μη εποπτευόμενη μάθηση;

Στη μη εποπτευόμενη μάθηση, ένα μοντέλο λαμβάνει δεδομένα χωρίς προκαθορισμένες σωστές απαντήσεις και αναζητά μόνο του δομές. Τυπικές μέθοδοι είναι η ομαδοποίηση (clustering), που ομαδοποιεί παρόμοιες εγγραφές, και η μείωση διαστατικότητας, που συμπυκνώνει πολλά χαρακτηριστικά σε λίγα ουσιώδη. Οι οργανισμοί τη χρησιμοποιούν για να ανακαλύπτουν τμήματα πελατών ή να εντοπίζουν ασυνήθιστες συναλλαγές· οι ομάδες που βρέθηκαν πρέπει στη συνέχεια να ερμηνευτούν από ειδικούς του τομέα.

Θέματα

Μηχανική μάθηση
Clustering
Βασικά

Δοκιμάστε το KI.ordo

Πράκτορες, ροές εργασιών και πρότυπα σε έναν χώρο εργασίας – δωρεάν επίδειξη 24 ωρών.

Έναρξη επίδειξης

← Όλοι οι όροι

Σχετικοί όροι

Εποπτευόμενη μάθηση

Στην εποπτευόμενη μάθηση, ένα μοντέλο μαθαίνει από παραδείγματα για τα οποία η σωστή απάντηση είναι ήδη γνωστή, όπως email με ετικέτα «ανεπιθύμητο» ή «όχι ανεπιθύμητο». Από αυτά εξάγει κανόνες για να ταξινομεί νέες, άγνωστες περιπτώσεις ή να προβλέπει τιμές. Τυπικές εργασίες είναι η ταξινόμηση και η παλινδρόμηση· το μεγαλύτερο μέρος της προσπάθειας αφορά τη δημιουργία σωστά επισημασμένων δεδομένων.

Μηχανική μάθηση
Training
+1

Clustering

Η ομαδοποίηση (clustering) είναι μια μέθοδος μη επιβλεπόμενης μάθησης που χωρίζει σημεία δεδομένων σε ομάδες με βάση την ομοιότητά τους, χωρίς προκαθορισμένες κατηγορίες. Αποκαλύπτει μοτίβα που κανείς δεν έχει ονομάσει πριν – για παράδειγμα τμήματα πελατών με παρόμοια αγοραστική συμπεριφορά. Σε κείμενα, η ομαδοποίηση βοηθά να ταξινομηθούν εκατοντάδες αιτήματα πελατών σε θέματα όπως παράδοση, τιμολόγηση ή παράπονα και δείχνει πού βρίσκεται το κέντρο βάρους.

μη επιβλεπόμενη μάθηση
ομαδοποίηση
+1

Πρότυπο

Ομαδοποίηση K-means

Ο K-means είναι μια μέθοδος μη εποπτευόμενης μάθησης που χωρίζει τα σημεία δεδομένων σε έναν προκαθορισμένο αριθμό k ομάδων. Αντιστοιχίζει κάθε σημείο στο πλησιέστερο κέντρο ομάδας και συνεχίζει να μετακινεί αυτά τα κέντρα μέχρι οι αντιστοιχίσεις να μην αλλάζουν σχεδόν καθόλου. Η μέθοδος είναι γρήγορη και εύκολα κατανοητή, αλλά απαιτεί λογική επιλογή του k και χαρακτηριστικά σε συγκρίσιμες κλίμακες. Παράδειγμα: ομαδοποίηση πελατών ανάλογα με τη συχνότητα αγορών και την αξία του καλαθιού.

Clustering
μη εποπτευόμενη μάθηση
+1

Πρότυπο

Μείωση διαστατικότητας

Η μείωση διαστατικότητας περιορίζει τον αριθμό των χαρακτηριστικών ενός συνόλου δεδομένων χωρίς να χάνονται οι ουσιώδεις πληροφορίες. Γνωστές μέθοδοι είναι η ανάλυση κύριων συνιστωσών (PCA), καθώς και οι t-SNE και UMAP, που χρησιμοποιούνται συχνά για οπτικοποίηση. Επιταχύνει τους υπολογισμούς, μειώνει τον κίνδυνο υπερπροσαρμογής και κάνει τα δεδομένα ευκολότερα κατανοητά – για παράδειγμα όταν εκατοντάδες χαρακτηριστικά πελατών αποτυπώνονται σε ένα δισδιάστατο διάγραμμα, όπου παρόμοιοι πελάτες βρίσκονται κοντά.

ανάλυση δεδομένων
PCA
+1