T:
Ano ang pagkakaiba sa pagitan ng pag-aaral ng pinangangasiwaan, hindi pamamahala at semi-pangangasiwa?
A:Ang pangunahing pagkakaiba sa pagitan ng pinangangasiwaan at hindi sinusubaybayan na pag-aaral sa pag-aaral ng makina ay ang paggamit ng data ng pagsasanay.
Ang superbadong pag-aaral ay gumagamit ng data ng halimbawa upang maipakita ang hitsura ng "tama" na data. Ang data ay nakabalangkas upang ipakita ang mga output ng ibinigay na mga input.
Ang algorithm ng pag-aaral ng machine na nag-uuri ng mga prutas ay maaaring magkaroon ng mga larawan ng mga prutas tulad ng mga mansanas, saging, ubas at dalandan bilang mga input at ang mga pangalan ng mga prutas na ito bilang mga output.
Ang isang tunay na halimbawa ng mundo ay ang mga filter ng Bayesian spam sa mga programa ng email. Ang mga filter na ito ay sinanay na may mga halimbawa ng mga email na itinuturing na spam. Ang spam filter ay maaaring maghanap para sa ilang mga parirala na lilitaw sa mga email na nagaganap sa mga email ng spam at ilipat ang mga ito sa isang folder ng spam.
Tulad ng pagpapakita ng isang tao kung paano gumawa ng isang bagong gawain. Ang isang taong gumagawa ng data entry ay maaaring ipakita ng mga halimbawa ng data sa isang format na nais ng kumpanya at pagkatapos ay inaasahan na sundin ito.
Ang mga programa ng pagkatuto ng makina gamit ang pinangangasiwaang pag-aaral ay umulit nang maraming beses sa data ng pagsasanay. Ang mga resulta ay maaaring maging kahanga-hanga kapag ito ay talagang makakakuha ng pagpunta. Ang filter ng spam ng Google ng Google ay napaka-tumpak dahil maraming mga gumagamit ang nagsasanay dito.
Ang pag-aaral na hindi sinusubaybayan ay walang naunang data ng pagsasanay. Sa halimbawa ng aming pag-uuri ng prutas, ang isang algorithm ay maaaring maipakita lamang ng mga larawan ng prutas at sinabihan na uriin ang mga ito.
Ang pag-aaral na hindi sinusuportahan ay may mga aplikasyon sa pananaliksik sa merkado sa pamamagitan ng pag-aaral ng mga gawi sa pagbili ng customer, o seguridad sa pamamagitan ng pagsubaybay sa mga pattern ng pag-hack.
Ang pagtatangka sa pag-aaral ng semi-supervised na gumawa ng isang gitnang lupa sa pamamagitan ng pag-label ng ilan sa mga data. Halimbawa, ang mansanas at orange ay maaaring may tatak sa programa ng pag-uuri ng prutas, ngunit ang saging at ang mga ubas ay wala.
Kapag gagamitin ang alinman sa mga algorithm na ito ay depende sa uri ng data na ginagamit. Ang ilang mga gawain ay may matatag na mga pattern, tulad ng pandaraya sa credit card o mga mensahe ng spam. Ang pangangasiwa ng pagkatuto ay angkop para sa mga ganitong uri ng mga gawain. Ang mga pag-atake sa network ay hindi mahulaan, at ang hindi sinusubaybayan o semi-supervised na mga pamamaraan ng pagkatuto ay maaaring maging mas naaangkop.
