2 подхода к обучению моделей в машинном обучении: с учителем и без учителя.

🎓 Продолжаю проходить курс "Погружение в AI" от СберУниверситета, делюсь интересными выжимками простым языком.

В машинном обучении (ML) существует два основных подхода к обучению моделей: обучение с учителем (supervised learning) и без учителя (unsupervised learning). Эти подходы различаются тем, каким образом данные используются для обучения модели.

👩‍🏫 Обучение с учителем предполагает наличие у нас размеченных данных, то есть таких данных, где каждому входному значению соответствует известное выходное значение (метка). Например: входными данными могут быть изображения животных, а метками – названия этих животных («кошка», «собака» и т.п.).

Задача алгоритма заключается в том, чтобы научиться предсказывать выходные значения (метки) на основе входных данных. Для этого модель обучается на размеченном наборе данных, корректируя свои параметры так, чтобы минимизировать ошибку между предсказанными и истинными метками.

👾 При обучении без учителя у нас нет заранее известных меток для каждого примера данных. Модель должна самостоятельно находить закономерности и структуры в данных. Этот подход используется тогда, когда мы хотим выявить скрытые зависимости или группы внутри данных.

Например, представьте, что вы пришли в незнакомый город и пытаетесь понять, где находятся разные районы. У вас нет карты, но вы замечаете, что в одном районе много кафе и магазинов, в другом — парки и детские площадки, а в третьем — офисы и бизнес-центры. Так вы начинаете интуитивно делить город на зоны. Вот примерно так же работает обучение без учителя.

#урок@ai_skillful