Όταν αγοράζετε μέσω συνδέσμων συνεργατών στα άρθρα μας, ενδέχεται να κερδίσουμε προμήθεια χωρίς επιπλέον κόστος για εσάς. Μάθετε Τι σημαίνει Supervised Learning?
Το Supervised Learning (εποπτευόμενη μάθηση) είναι μια προσέγγιση στη μηχανική μάθηση (ML). Αυτή η μέθοδος χρησιμοποιεί επισημασμένα (labeled) σύνολα δεδομένων και αξιόπιστα αποτελέσματα για να εκπαιδεύσει αλγόριθμους εκμάθησης πώς να ταξινομούν δεδομένα ή να προβλέψουν ένα αποτέλεσμα.
Το Supervised Learning (εποπτευόμενη μάθηση) είναι χρήσιμη για την ομαδοποίηση δεδομένων σε συγκεκριμένες κατηγορίες (ταξινόμηση). Χρησιμοποιείται και για την κατανόηση της σχέσης μεταξύ των μεταβλητών προκειμένου να γίνουν ορισμένες προβλέψεις (υποχώρηση) βάση αυτών των δεδομένων.
Η μέθοδος χρησιμοποιείται για την σύσταση προϊόντων που μας ενδιαφέρουν βάση των των δεδομένων που έχει συλλέξει ένας υπολογιστής. Όπως επίσης την τμηματοποίηση πελατών βασιζόμενη σε δεδομένα πελατών, τη διάγνωση ασθενειών με βάση προηγούμενα συμπτώματα και την εκτέλεση πολλών άλλων εργασιών.
Η Techopedia εξηγεί την έννοια της Εποπτευόμενης Μάθησης
Η εποπτευόμενη μάθηση επιτρέπει στις μηχανές να ταξινομούν αντικείμενα, προβλήματα ή καταστάσεις με βάση τα σχετικά δεδομένα που τροφοδοτούνται σε αυτές. Οι μηχανές τροφοδοτούνται με μεγάλα σύνολα δεδομένων όπως χαρακτηριστικά, μοτίβα, διαστάσεις, χρώμα και ύψος αντικειμένων, ανθρώπων ή καταστάσεων. Αυτά τα δεδομένα τροφοδοτούνται συνεχόμενα έως ότου οι μηχανές είναι σε θέση να εκτελέσουν σωστές και ακριβείς ταξινομήσεις.
Κατά τη διάρκεια της εποπτευόμενης εκμάθησης, μια μηχανή τροφοδοτείτε με πολλαπλών ειδών δεδομένα, γνωστά ως δεδομένα εκπαίδευσης στη γλώσσα της εξόρυξης δεδομένων. Βάσει αυτών των δεδομένων η μηχανή κάνει την ταξινόμηση. Για παράδειγμα, εάν ένα σύστημα απαιτείται για ταξινόμηση φρούτων, θα του δοθούν δεδομένα εκπαίδευσης όπως χρώμα, σχήμα, διαστάσεις και μέγεθος. Με βάση αυτά τα δεδομένα, η μηχανή θα μπορούσε να ταξινομήσει τα φρούτα που θα της δοθούν για κατηγοριοποίηση.
Συνήθως ένα σύστημα απαιτεί πολλαπλές επαναλήψεις μιας τέτοιας διαδικασίας για να είναι σε θέση να εκτελέσει ακριβή ταξινόμηση. Οι πραγματικές ταξινομήσεις όπως η ανίχνευση απάτης με πιστωτικές κάρτες και η ταξινόμηση ασθενειών είναι πολύπλοκες εργασίες. Δεδομένου αυτού οι μηχανές χρειάζονται κατάλληλα δεδομένα και αρκετές επαναλήψεις μαθησιακών συνεδριών για να επιτύχουν ικανοποιητικές ικανότητες.
