Table di cuntinutu[Piattà][Mostra]
Unu di i criterii primari per ogni tipu di attività corporativa hè l'utilizazione efficace di l'infurmazioni. À un certu puntu, u voluminu di dati creati supera a capacità di trasfurmazioni di basa.
Hè quì chì l'algoritmi di apprendimentu automaticu entranu in ghjocu. In ogni casu, prima chì qualcosa di questu pò accade, l'infurmazione deve esse studiata è interpretata. In poche parole, hè ciò chì l'apprendimentu automaticu senza supervisione hè utilizatu.
In questu articulu, esamineremu in profondità l'apprendimentu automaticu senza supervisione, cumpresi i so algoritmi, i casi d'usu, è assai di più.
Cos'è l'apprendimentu automaticu senza supervisione?
L'algoritmi di apprendimentu automaticu senza supervisione identificanu mudelli in un set di dati chì ùn anu micca cunsequenza cunnisciuta o etichettata. Supervisatu algoritmi di apprendimentu di macchina avè un output marcatu.
A cunniscenza di sta distinzione aiuta à capisce perchè i metudi di apprendimentu automaticu senza supervisione ùn ponu micca esse aduprati per risolve i prublemi di regressione o classificazione, postu chì ùn sapete micca ciò chì u valore / risposta per i dati di output pò esse. Ùn pudete micca furmà un algoritmu nurmale se ùn cunnosci micca u valore / risposta.
Inoltre, l'apprendimentu senza supervisione pò esse usatu per identificà a struttura fundamentale di e dati. Questi algoritmi rilevanu mudelli nascosti o raggruppamenti di dati senza bisognu di interazzione umana.
A so capacità di detectà similitudini è cuntrasti in l'infurmazioni facenu una grande scelta per l'analisi di dati esploratori, tecniche di vendita incrociata, segmentazione di i cunsumatori è identificazione di stampa.
Cunsiderate u scenariu seguente: site in una buttrega è vede un fruttu micca identificatu chì ùn avete mai vistu prima. Pudete facilmente distinguishà u fruttu scunnisciutu sfarente da l'altri frutti intornu in basa di e vostre osservazioni di a so forma, dimensione o culore.
Algoritmi di Machine Learning senza supervisione
Clustering
U clustering hè senza dubbitu l'approcciu di apprendimentu senza supervisione più utilizatu. Stu approcciu mette elementi di dati cunnessi in cluster generati aleatoriamente.
Per ellu stessu, un mudellu ML scopre qualsiasi mudelli, similitudini è / o diffirenzii in una struttura di dati senza categurizazione. Un mudellu hà da pudè scopre qualsiasi raggruppamenti naturali o classi in dati.
Types
Ci sò parechje forme di clustering chì ponu esse usatu. Fighjemu prima i più impurtanti.
- U clustering exclusivu, qualchì volta cunnisciutu cum'è clustering "duru", hè un tipu di raggruppamentu in quale un unicu pezzu di dati appartene à un solu cluster.
- U clustering di sovrapposizione, spessu cunnisciuta cum'è clustering "soft", permette à l'uggetti di dati di appartene à più di un cluster à varii gradi. Inoltre, u clustering probabilisticu pò esse usatu per affruntà i prublemi di clustering "soft" o di stima di densità, è ancu per valutà a probabilità o probabilità di punti di dati chì appartenenu à certi clusters.
- A creazione di una ghjerarchia di l'articuli di dati raggruppati hè u scopu di u clustering gerarchicu, cum'è u nome indica. L'articuli di dati sò deconstruiti o cumminati in basa di a gerarchia per generà clusters.
Casi d'utilizazione:
- Rilevazione di anomalie:
Ogni tipu di outlier in dati pò esse rilevatu cù clustering. L'imprese in u trasportu è a logistica, per esempiu, ponu utilizà a rilevazione di anomalie per scopre l'impedimenti logistichi o divulgà e parti meccaniche danneggiate (mantenimentu predittivu).
L'istituzioni finanziarii ponu utilizà a tecnulugia per detectà transazzione fraudulenta è risponde rapidamente, potenzalmentu risparmià assai soldi. Amparate più nantu à a scopra anormalità è frode fighjendu u nostru video.
- Segmentazione di i clienti è i mercati:
L'algoritmi di clustering ponu aiutà à raggruppà e persone chì anu caratteristiche simili è creanu persone di cunsumatori per un marketing più efficace è iniziative mirate.
K-Means
K-means hè un metudu di clustering chì hè ancu cunnisciutu cum'è partitioning o segmentation. Divide i punti di dati in un numeru predeterminatu di clusters cunnisciuti cum'è K.
In u metudu K-means, K hè l'input postu chì dite à l'urdinatore quanti clusters vulete identificà in i vostri dati. Ogni articulu di dati hè in seguitu assignatu à u centru di cluster più vicinu, cunnisciutu com'è centroide (punti neri in a stampa).
L'ultimi serve cum'è spazii di almacenamiento di dati. A tecnica di clustering pò esse fatta parechje volte finu à chì i clusters sò ben definiti.
Fuzzy K-significa
Fuzzy K-means hè una estensione di a tecnica K-means, chì hè aduprata per fà un clustering overlapping. A cuntrariu di a tecnica di K-means, fuzzy K-means indicanu chì i punti di dati puderanu appartene à parechji clusters cù diversi gradi di prossimità à ognunu.
A distanza trà i punti di dati è u centroide di u cluster hè aduprata per calculà a vicinanza. In u risultatu, ci ponu esse occasioni chì parechji clusters si superponu.
Modelli di mistura gaussiana
I mudelli di mistura gaussiana (GMM) sò un metudu utilizatu in clustering probabilisticu. Perchè a media è a varianza sò scunnisciuti, i mudelli assumanu chì ci hè un numeru fissu di distribuzioni gaussiana, ognunu rapprisenta un cluster distintu.
Per determinà à quale cluster appartene un puntu di dati specificu, u metudu hè essenzialmente utilizatu.
Clustering gerarchicu
A strategia di clustering gerarchica pò principià cù ogni puntu di dati assignatu à un cluster differente. I dui clusters chì sò più vicini l'un à l'altru sò allora mischiati in un solu cluster. A fusione iterativa cuntinueghja finu à chì solu un cluster resta in cima.
Stu metudu hè cunnisciutu cum'è bottom-up o agglomerative. Se cuminciate cù tutti l'articuli di dati ligati à u stessu cluster è poi cunducendu splits finu à chì ogni articulu di dati hè assignatu cum'è un cluster separatu, u metudu hè cunnisciutu cum'è clustering gerarchicu divisivu o top-down.
Algoritmu apriori
L'analisi di a cesta di u mercatu hà popularizatu l'algoritmi apriori, risultatu in diversi mutori di ricunniscenza per e plataforme di musica è e magazzini in linea.
Sò usati in datasets transazzione per truvà itemsets frequenti, o raggruppamenti di articuli, in modu di predichendu a probabilità di cunsumà un pruduttu basatu annantu à u cunsumu di l'altru.
Per esempiu, se cumencia à ghjucà a radiu di OneRepublic in Spotify cù "Counting Stars", una di l'altri canzoni nantu à stu canale serà certamente una canzone Imagine Dragon, cum'è "Bad Liar".
Questu hè basatu annantu à i mo abitudini d'ascolta precedenti è ancu i mudelli di ascolta di l'altri. I metudi Apriori cuntanu l'articuli cù un arbulu di hash, traversendu a larghezza di dataset prima.
Riduzione di Dimensione
A riduzzione di dimensionalità hè una sorta di apprendimentu senza supervisione chì usa una cullizzioni di strategie per minimizzà u numeru di funzioni - o dimensioni - in un dataset. Permettemu di chjarificà.
Pò esse tentativu di incorpore quant'è più dati pussibule mentre creanu u vostru dataset per machine learning. Ùn ci sbagliate micca: sta strategia funziona bè postu chì più dati generalmente rende risultati più precisi.
Assumimu chì i dati sò almacenati in u spaziu N-dimensionale, cù ogni funzione chì rapprisenta una dimensione diversa. Ci pò esse centinaie di dimensioni s'ellu ci hè assai di dati.
Cunsiderate i fogli di calculu Excel, cù colonne chì rapprisentanu caratteristiche è fila chì rapprisentanu elementi di dati. Quandu ci sò troppu dimensioni, l'algoritmi ML puderianu fà male è visualizazione di dati pò diventà difficiule.
Cusì rende logica per limità e caratteristiche o dimensioni, è trasmette solu infurmazioni pertinenti. A riduzione di dimensionalità hè solu questu. Permette una quantità gestibile di input di dati senza compromette l'integrità di u dataset.
Analisi di Componenti Principali (PCA)
L'analisi di cumpunenti principali hè un approcciu di riduzzione di dimensionalità. Hè utilizatu per minimizzà u numeru di funzioni in setti di dati enormi, risultatu in una simplicità di dati più grande senza sacrificà a precisione.
A cumpressione di dataset hè realizata da un metudu chjamatu estrazione di funzioni. Indica chì l'elementi di u settore originale sò mischiati in un novu, più chjucu. Questi tratti novi sò cunnisciuti cum'è cumpunenti primari.
Di sicuru, ci sò algoritmi supplementari chì pudete aduprà in e vostre applicazioni di apprendimentu senza supervisione. Quelli elencati sopra sò solu i più prevalenti, per quessa sò discututi in più detail.
Applicazione di l'apprendimentu senza supervisione
- I metudi di apprendimentu senza supervisione sò utilizati per i travaglii di percepzione visuale cum'è u ricunniscenza di l'ughjettu.
- L'apprendimentu automaticu senza supervisione dà aspetti critichi à i sistemi di imaging medicale, cum'è l'identificazione di l'imaghjini, a classificazione è a segmentazione, chì sò aduprati in radiologia è patologia per diagnosticà i pazienti in modu rapidu è affidabile.
- L'apprendimentu senza supervisione pò aiutà à identificà e tendenze di dati chì ponu esse aduprate per creà strategie di vendita incrociata più efficaci utilizendu dati passati nantu à u cumpurtamentu di i cunsumatori. Durante u prucessu di checkout, questu hè utilizatu da l'imprese in linea per suggerisce l'add-ons adattati à i clienti.
- I metudi di apprendimentu senza supervisione ponu vagliare enormi volumi di dati per truvà outliers. Queste anormalità puderanu suscitarà l'avvisu di l'equipaggiu malfunzionante, sbagliu umanu, o violazioni di sicurità.
Problemi cù l'apprendimentu senza supervisione
L'apprendimentu senza supervisione hè attraente in una varietà di modi, da u putenziale di truvà insights impurtanti in dati per evità l'etichettatura di dati costosa operazioni. Tuttavia, ci sò parechji svantaghji à aduprà sta strategia per furmà mudelli di apprendimentu machine chì duvete esse cuscenti. Eccu alcuni esempi.
- Siccomu i dati di input mancanu di etichette chì servenu cum'è chjave di risposta, i risultati di i mudelli di apprendimentu senza supervisione puderanu esse menu precisi.
- L'apprendimentu senza supervisione travaglia spessu cù datasets massivi, chì ponu aumentà a cumplessità computazionale.
- L'approcciu necessita di cunferma di output da l'omu, sia specialisti interni sia esterni in u sughjettu di l'inchiesta.
- L'algoritmi anu da esaminà è calculà ogni scenariu pussibule in tutta a fase di furmazione, chì dura un pocu di tempu.
cunchiusioni
L'utilizazione efficace di e dati hè a chjave per stabilisce un vantaghju competitivu in un mercatu particulare.
Pudete segmentà e dati utilizendu algoritmi d'apprendimentu automaticu senza supervisione per esaminà e preferenze di u vostru publicu di destinazione o per determinà cumu una certa infezione risponde à un trattamentu particulari.
Ci sò parechje applicazioni pratiche, è scientifichi di dati, ingegneri è architetti ponu aiutà vi à definisce i vostri scopi è à sviluppà suluzioni ML uniche per a vostra cumpagnia.
Lascia un Audiolibro