Introduzione all'apprendimento automatico senza supervisione
Hai mai pensato a come un bambino è in grado di distinguere tra mele e arance quando non sa cosa sono realmente, come hanno, ma in base al colore e alle dimensioni può separarli in 2 gruppi senza alcuna informazione preliminare? Possiamo aspettarci la stessa segmentazione di un bambino dalle macchine se ricevono le informazioni sul colore e le dimensioni? Vediamo come possiamo farlo! In questo argomento, impareremo l'apprendimento automatico non supervisionato.
"Apprendimento automatico", come suggerisce il termine, stiamo insegnando alle macchine a svolgere compiti simili a quelli umani e come gli umani imparano, da qualcuno o mediante l'osservazione. Come gli umani, il modo in cui la macchina impara.
L'apprendimento automatico può essere diviso in 3 parti: -
- Apprendimento supervisionato
- Apprendimento senza supervisione
- Insegnamento rafforzativo
Tipi di apprendimento automatico
L'apprendimento per rinforzo è un apprendimento basato sull'agente che comporta ricompensa e punizione per le azioni intraprese da un agente. L'obiettivo finale è massimizzare la ricompensa complessiva nel processo di apprendimento dall'ambiente.
Quando hai dati di input-output, in breve, dati etichettati, ad esempio, dati altezza e peso per determinare se una persona è maschio o femmina può essere considerata un'attività di apprendimento supervisionato (da qualcuno nel caso di esseri umani).
Ma in molti scenari di vita reale, questi dati etichettati o annotati non sono sempre disponibili. Molte volte affrontiamo problemi di segmentazione degli oggetti in base alle loro proprietà che non sono esplicitamente menzionati. Come risolvere questo problema? Bene, l'apprendimento senza supervisione è la soluzione.
Wikipedia afferma che l'apprendimento non supervisionato è un tipo di apprendimento hebbiano auto-organizzato che aiuta a trovare modelli precedentemente sconosciuti nel set di dati senza etichette preesistenti. Nell'apprendimento non supervisionato, non disponiamo di informazioni sulle etichette, ma vogliamo comunque ottenere approfondimenti dai dati in base alle sue diverse proprietà.
Tipi di apprendimento automatico senza supervisione
Le attività di apprendimento senza supervisione possono essere ampiamente suddivise in 3 categorie:
- Estrazione delle regole di associazione
- Clustering
- Sistema di raccomandazione
1. Estrazione delle regole di associazione
Quando disponiamo di dati transazionali per qualcosa, può trattarsi di prodotti venduti o di eventuali dati transazionali relativi, voglio sapere, c'è qualche relazione nascosta tra l'acquirente e i prodotti o il prodotto al prodotto, in modo tale che io possa in qualche modo sfruttare queste informazioni per aumentare le mie vendite. L'estrazione di queste relazioni è il fulcro dell'Association Rule Mining. Possiamo usare gli algoritmi di crescita AIS, SETM, Apriori, FP per estrarre relazioni.
2. Clustering
Il clustering può essere eseguito su qualsiasi dato in cui non abbiamo le informazioni sulla classe o sull'etichetta. Vogliamo raggruppare i dati in modo tale che le osservazioni con proprietà simili appartengano allo stesso cluster / gruppo e la distanza tra cluster dovrebbe essere massima. Considerando che la distanza tra cluster dovrebbe essere minima. Siamo in grado di raggruppare i dati degli elettori per scoprire l'opinione sul governo, o raggruppare i prodotti, in base alle loro caratteristiche e al loro utilizzo. Segmenta la popolazione in base alle caratteristiche di reddito o usa il clustering nelle vendite e nel marketing.
Possiamo usare K-Means, K-M ++ ++, K-Medoids, Fuzzy C-mean (FCM),
Expectation-Maximization (EM), Clustering agglomerativo, DBSCAN, tipi di Clustering gerarchico come singolo collegamento, collegamento completo, collegamento mediano, algoritmi del metodo di Ward per il clustering.
3. Sistema di raccomandazione
Il sistema di raccomandazione è fondamentalmente un'estensione del mining di regole di associazione nel senso, in ARM stiamo estraendo relazioni e nel sistema di raccomandazioni, stiamo usando queste relazioni per raccomandare qualcosa che ha maggiori possibilità di accettazione da parte dell'utente finale. I sistemi di raccomandazione hanno guadagnato popolarità dopo che Netflix ha annunciato un grande premio di 1.000.000 di dollari nel 2009.
I sistemi di raccomandazione funzionano su dati transazionali che si tratti di transazioni finanziarie, e-commerce o transazioni di negozi di alimentari. Al giorno d'oggi giganti attori nel settore dell'e-commerce attirano i clienti facendo una raccomandazione personalizzata per ciascun utente in base alla cronologia degli acquisti passati e dati di acquisto di comportamento simili da altri utenti.
I metodi per sviluppare i sistemi di raccomandazione possono essere ampiamente suddivisi in filtro collaborativo e filtro basato sul contenuto. Nel filtro collaborativo abbiamo di nuovo il filtro collaborativo utente-utente e il filtro collaborativo oggetto-oggetto che sono approcci basati sulla memoria e la fattorizzazione a matrice e la scomposizione del valore singolare (SVD) sono approcci basati su modello.
Applicazioni di apprendimento non supervisionato
Poiché i dati del mondo stanno aumentando enormemente ogni giorno, l'apprendimento senza supervisione ha molte applicazioni. Creiamo sempre dati utilizzando piattaforme di social media o alcuni contenuti video su YouTube e molte volte non lo facciamo nemmeno deliberatamente. Tutti questi dati non sono strutturati e l'etichettatura per compiti di apprendimento supervisionato sarà stancante e costoso.
Di seguito sono riportate alcune interessanti applicazioni di machine learning senza supervisione.
- Negozio di alimentari o negozio / mercato di e-commerce: estrai le regole di associazione dai dati transazionali dei clienti e consigli per i consumatori ad acquistare prodotti.
- Piattaforma social media: estrarre relazioni con utenti diversi, per suggerire prodotti o servizi. Raccomanda nuove persone per social connect.
- Servizi: consigli sui servizi di viaggio, consigli sulle case da affittare o servizi di matchmaking.
- Attività bancarie: raggruppare i clienti in base alle loro transazioni finanziarie. Cluster transazione fraudolenta per il rilevamento di frodi.
- Politica: opinioni degli elettori del cluster sulle possibilità di una vittoria per un particolare partito.
- Visualizzazione dei dati: con il clustering e l'incorporamento stocastico vicino t-distribuito (t-SNE) possiamo visualizzare dati ad alta dimensione. Inoltre, questo può essere utilizzato per la riduzione della dimensionalità.
- Intrattenimento: consigli su film, musica, come stanno facendo Netflix e Amazon.
- Segmentazione delle immagini: porzioni di immagini del cluster basate sui valori di pixel più vicini.
- Contenuto: giornali personalizzati, raccomandazioni di pagine Web, applicazioni di e-learning e filtri e-mail.
- Rilevamento strutturale: con il clustering possiamo scoprire qualsiasi struttura nascosta nei dati Cluster i dati di Twitter per l'analisi del sentiment.
Conclusione
L'apprendimento automatico senza supervisione non è troppo quantificabile ma può risolvere molti problemi in cui gli algoritmi supervisionati falliscono. Esistono molte applicazioni per l'apprendimento senza supervisione in molti settori in cui sono disponibili dati non strutturati e senza etichetta. Possiamo usare tecniche di apprendimento senza supervisione per insegnare alle nostre macchine a fare un lavoro migliore di noi. Negli ultimi anni, le macchine hanno sovraperformato gli umani in termini di compiti che sono stati risolti dagli umani per secoli. Spero con questo articolo di aver capito cos'è e come utilizzare tecniche di apprendimento automatico senza supervisione per risolvere i problemi del mondo reale.
Articoli consigliati
Questa è una guida per l'apprendimento automatico senza supervisione. Qui discutiamo i tipi di machine learning e i tipi di machine learning senza supervisione insieme alle sue applicazioni. Puoi anche dare un'occhiata ai seguenti articoli per saperne di più -
- Algoritmi di apprendimento automatico
- Che cos'è l'apprendimento automatico?
- Introduzione all'apprendimento automatico
- Strumenti di apprendimento automatico
- Clustering in Machine Learning
- Apprendimento automatico iperparametro
- Algoritmo di clustering gerarchico
- Clustering gerarchico Clustering agglomerativo e divisivo
- Le 8 fasi principali del ciclo di vita dell'apprendimento automatico