了解監(jiān)督學習、無監(jiān)督學習和半監(jiān)督學習的特征，以及它們在機器學習項目中的應用方式。

在人工智能技術的討論中，監(jiān)督學習往往會得到最多的宣傳，因為它通常是用于創(chuàng)建人工智能模型的最后一步，用于圖像識別、更好的預測、產品推薦和潛在客戶評分等。

相比之下，無監(jiān)督學習往往在人工智能開發(fā)生命周期的早期在幕后工作：它通常被用來為監(jiān)督學習的魔力展開奠定基礎，就像讓經理大放異彩的繁重工作一樣。正如后面所解釋的，這兩種機器學習模式都可以有效地應用于業(yè)務問題。

在技術層面上，監(jiān)督學習與無監(jiān)督學習之間的區(qū)別在于用于創(chuàng)建算法的原始數據是預先標記（監(jiān)督學習）還是未預先標記（無監(jiān)督學習）。

讓我們開始吧。

什么是監(jiān)督學習？

在監(jiān)督學習中，數據科學家為算法提供標記的訓練數據，并定義他們希望算法評估相關性的變量。

算法的輸入數據和輸出變量都在訓練數據中指定。例如，如果您嘗試使用監(jiān)督學習來訓練算法以了解圖片中是否有貓，則可以為訓練數據中使用的每張圖片創(chuàng)建一個標簽，指示圖像是否包含貓。

正如我們在監(jiān)督學習的定義中所解釋的那樣：“[A]計算機算法是在為特定輸出標記的輸入數據上訓練的。該模型經過訓練，直到它能夠檢測到輸入數據和輸出標簽之間的基本模式和關系，使其能夠在呈現前所未見的數據時產生準確的標記結果。監(jiān)督算法的常見類型包括分類、決策樹、回歸和預測建模，您可以在 Arcitura Education 的機器學習教程中了解這些內容。

監(jiān)督式機器學習技術用于各種業(yè)務應用程序，包括以下內容：

• 個性化營銷。
• 保險/信貸承銷決策。
• 欺詐檢測。
• 垃圾郵件過濾。

什么是無監(jiān)督學習？

在無監(jiān)督學習中，一種適合這種方法的算法（K-means聚類就是一個例子）是在未標記的數據上訓練的。它掃描數據集，尋找任何有意義的聯系。換句話說，無監(jiān)督學習決定了數據中的模式和相似性，而不是將其與某些外部測量相關聯。

當您不知道自己在尋找什么時，這種方法很有用，而當您知道時，這種方法就不那么有用了。如果你向無監(jiān)督算法展示了數千或數百萬張圖片，它可能會將圖片的子集歸類為人類識別為貓科動物的圖像。相比之下，在貓與犬科動物的標記數據上訓練的監(jiān)督算法能夠高度自信地識別貓的圖像。但這種方法有一個權衡：如果監(jiān)督學習項目需要數百萬張標記圖像來開發(fā)模型，那么機器生成的預測需要大量的人力。

有一個中間地帶：半監(jiān)督學習。

什么是半監(jiān)督學習？

半監(jiān)督學習是一種結合了這兩種方法的捷徑。半監(jiān)督學習描述了一種特定的工作流程，其中使用無監(jiān)督學習算法自動生成標簽，這些標簽可以輸入到監(jiān)督學習算法中。在這種方法中，人類手動標記一些圖像，無監(jiān)督學習猜測其他圖像的標簽，然后將所有這些標簽和圖像輸入到監(jiān)督學習算法以創(chuàng)建 AI 模型。

半監(jiān)督學習可以降低標記機器學習中使用的大型數據集的成本?！叭绻隳茏屓祟悩擞洈蛋偃f個樣本中的0.01%，那么計算機就可以利用這些標簽來顯著提高其預測準確性，”企業(yè)數據目錄平臺Alation的聯合創(chuàng)始人兼首席創(chuàng)新官Aaron Kalb說。

什么是強化學習？

另一種機器學習方法是強化學習。強化學習通常用于教機器完成一系列步驟，不同于監(jiān)督學習和無監(jiān)督學習。數據科學家對算法進行編程來執(zhí)行任務，在確定如何完成任務時給予積極或消極的線索或強化。程序員為獎勵設定規(guī)則，但讓算法自己決定需要采取哪些步驟來最大化獎勵，從而完成任務。

什么時候應該使用監(jiān)督學習與無監(jiān)督學習？

LinkedIn機器學習經理Shivani Rao表示，采用監(jiān)督或無監(jiān)督機器學習方法的最佳實踐通常取決于環(huán)境，你可以對數據和應用程序做出的假設。

Rao說，使用監(jiān)督學習與無監(jiān)督機器學習算法的選擇也會隨著時間的推移而改變。在模型構建過程的早期階段，數據通常是未標記的，而標記的數據可以在建模的后期階段出現。

例如，對于預測 LinkedIn 成員是否會觀看課程視頻的問題，第一個模型基于無監(jiān)督技術。提供這些建議后，記錄某人是否單擊建議的指標將提供新數據以生成標簽。

LinkedIn 還使用這種技術來標記學生可能想要獲得的技能的在線課程。人工標記者，例如作者、出版商或學生，可以提供課程教授的精確和準確的技能列表，但他們不可能提供此類技能的詳盡列表。因此，可以認為這些數據標記不完整。這些類型的問題可以使用半監(jiān)督技術來幫助構建一組更詳盡的標記。

數據科學和高級分析專家、咨詢公司科爾尼（Kearney）的合伙人巴拉特·托塔（Bharath Thota）表示，他的團隊選擇使用監(jiān)督學習或無監(jiān)督學習時，也往往會考慮實際因素。

“當標記數據可用時，我們選擇監(jiān)督學習作為應用程序，目標是預測或分類未來的觀察結果，”Thota說?！爱敇擞洈祿豢捎脮r，我們使用無監(jiān)督學習，目標是通過從數據中識別模式或片段來制定策略?！?/span>

Kalb說，Alation數據科學家在內部將無監(jiān)督學習用于各種應用程序。例如，他們開發(fā)了一種人機協作流程，用于將晦澀難懂的數據對象名稱翻譯成人類語言，例如，將“na_gr_rvnu_ps”翻譯成“北美專業(yè)服務總收入”。在這種情況下，機器猜測，人類確認，機器學習。

“你可以把它想象成一個迭代循環(huán)中的半監(jiān)督學習，創(chuàng)造一個提高準確性的良性循環(huán)，”Kalb說。

5種無監(jiān)督學習技巧

在高層次上，監(jiān)督學習技術傾向于關注線性回歸（將模型擬合到一組數據點以進行預測）或分類問題（圖像是否有貓？

無監(jiān)督學習技術通常使用各種方式對原始數據集進行切片和切塊，以補充監(jiān)督學習的工作，包括：

數據聚類。具有相似特征的數據點組合在一起，以幫助更有效地理解和探索數據。例如，公司可能會使用數據聚類方法根據客戶的人口統(tǒng)計、興趣、購買行為和其他因素將客戶細分為幾組。

降維。數據集中的每個變量都被視為一個單獨的維度。但是，許多模型通過分析變量之間的特定關系來更好地工作。降維的一個簡單例子是將利潤用作單一維度，它表示收入減去支出——兩個獨立的維度。但是，可以使用主成分分析、自動編碼器、將文本轉換為向量的算法或 T 分布隨機鄰域嵌入等算法生成更復雜的新變量類型。

降維可以幫助減少過度擬合的問題，在這種問題中，模型適用于小數據集，但不能很好地泛化到新數據。該技術還使公司能夠以 2D 或 3D 形式可視化人類可以輕松理解的高維數據。

異?；虍惓Ｖ禉z測。無監(jiān)督學習可以幫助識別常規(guī)數據分布之外的數據點。識別和刪除異常作為數據準備步驟可能會提高機器學習模型的性能。

遷移學習。這些算法利用在相關但不同的任務上訓練的模型。例如，遷移學習技術可以很容易地微調在維基百科文章上訓練的分類器，以使用正確的主題標記任意類型的新文本。LinkedIn的Rao表示，這是解決沒有標簽的數據問題的最有效，最快捷的方法之一。

基于圖形的算法。Rao說，這些技術試圖構建一個圖表來捕捉數據點之間的關系。例如，如果每個數據點表示具有技能的 LinkedIn 成員，則可以使用圖形來表示成員，其中邊緣表示成員之間的技能重疊。圖形算法還可以幫助將標簽從已知數據點轉移到未知但密切相關的數據點。無監(jiān)督學習還可用于在不同類型的實體（源和目標）之間構建圖形。邊緣越強，源節(jié)點與目標節(jié)點的親和力就越高。例如，LinkedIn 使用它們將成員與基于技能的課程相匹配。