Uczenie nadzorowane i nienadzorowane to dwa podstawowe rodzaje uczenia maszynowego, różniące się sposobem trenowania modeli.
Uczenie nadzorowane:
- Model uczy się na danych oznaczonych, gdzie każda próbka treningowa ma przypisaną etykietę.
- Celem jest przewidywanie etykiet dla nowych danych.
- Przykłady: klasyfikacja (np. rozpoznawanie obrazów) i regresja (np. prognozowanie cen).
Uczenie nienadzorowane:
- Model uczy się na danych nieoznaczonych, gdzie celem jest odkrycie struktury lub wzorców w danych.
- Celem jest identyfikacja ukrytych struktur lub grupowania podobnych danych.
- Przykłady: klasteryzacja (np. grupowanie klientów) i redukcja wymiarów (np. PCA).
Główne różnice:
- Dane treningowe: Uczenie nadzorowane wymaga danych oznaczonych, podczas gdy uczenie nienadzorowane używa danych nieoznaczonych.
- Cel: Uczenie nadzorowane skupia się na przewidywaniu etykiet, a uczenie nienadzorowane na odkrywaniu wzorców.
- Zastosowania: Uczenie nadzorowane jest używane w zadaniach wymagających prognozowania, podczas gdy uczenie nienadzorowane jest używane do eksploracji danych i odkrywania struktur.
