یادگیری نظارت‌شده و بدون ناظر(Supervised Learning و Unsupervised Learning)

• مسائل طبقه‌بندی از یک الگوریتم برای قراردادن  داده‌های آزمایش در دسته‌های خاص، مانند جدا کردن سیب از پرتقال استفاده می‌کنند. یا در دنیای واقعی، می‌توان از این الگوریتم‌های یادگیری تحت نظارت برای طبقه‌بندی هرزنامه‌ها و قرار دادن آن‌ها در یک پوشه جداگانه از صندوق ورودی ایمیل استفاده کرد. طبقه‌بندی‌کننده‌های خطی (Linear Classifiers)، ماشین‌های بردار پشتیبان(Support Vector Machines) ، درخت‌های تصمیم‌گیری (Decision Trees) و جنگل‌های تصادفی (Random Forest) همه انواع رایجی از الگوریتم‌های طبقه‌بندی هستند.
• رگرسیون نوع دیگری از روش‌های یادگیری تحت نظارت است که از الگوریتمی برای درک رابطه‌ی بین متغیرهای وابسته و مستقل استفاده می‌کند. مدل‌های رگرسیون برای پیش‌بینی مقادیر عددی بر اساس داده‌های مختلف، مانند پیش‌بینی درآمد فروش برای یک کسب‌وکار معین، مفید هستند. برخی از الگوریتم‌های رگرسیون رایج عبارتند از رگرسیون خطی (Linear Regression)، رگرسیون لجستیک (Logistic Regression) و رگرسیون چند جمله ای (Polynomial Regression).

یادگیری بدون ناظر (Unsupervised) چیست؟

یادگیری بدون ناظر از الگوریتم‌های یادگیری ماشین برای تجزیه و تحلیل و خوشه‌بندی مجموعه‌داده‌های بدون برچسب استفاده می‌کند. این الگوریتم‌ها بدون نیاز به دخالت انسان، الگوهای پنهان در داده‌ها را کشف می‌کنند (به همین دلیل، آن‌ها “بدون ناظر” خوانده می‌شوند).

به طور کلی، مدل‌های یادگیری بدون ناظر برای سه کار اصلی استفاده می‌شوند: خوشه‌بندی (Clustering)، ارتباط (Association) و کاهش بعد (Dimensionality Reduction):

• خوشه‌بندی یک تکنیک یادگیری ماشین و داده‌کاوی برای گروه‌بندی داده‌های بدون برچسب بر اساس شباهت‌ها یا تفاوت‌های آن‌هاست. برای مثال، الگوریتم‌ خوشه‌بندی K-means، نقاط داده‌ی مشابه را به گروه‌ها‌ی یکسان اختصاص می‌دهد، و مقدار K نشان‌دهنده‌ی تعداد گروه و دانه‌بندی است. این تکنیک برای تقسیم‌بندی بازار، فشرده‌سازی تصویر و غیره مفید است.