Τι είναι η Μη Επιβλεπόμενη Μάθηση;

Ένας τύπος μηχανικής μάθησης όπου το μοντέλο μαθαίνει μοτίβα σε δεδομένα χωρίς επισημασμένα αποτελέσματα. Αναλύει μη σχολιασμένα σύνολα δεδομένων για να εντοπίσει εγγενείς δομές, ομαδοποιήσεις ή σχέσεις απευθείας από τα δεδομένα εισόδου, χωρίς ανθρώπινη καθοδήγηση ή προκαθορισμένες μεταβλητές-στόχους.

 

Πώς διαφέρει η μη επιβλεπόμενη μάθηση από την επιβλεπόμενη μάθηση;

Στην επιβλεπόμενη μάθηση, το μοντέλο εκπαιδεύεται σε δεδομένα που περιλαμβάνουν τόσο τις εισόδους όσο και τις γνωστές σωστές εξόδους (ετικέτες). Στη μη επιβλεπόμενη μάθηση, τα δεδομένα περιέχουν μόνο εισόδους. Το μοντέλο πρέπει να επεξεργάζεται ανεξάρτητα τα ακατέργαστα δεδομένα για να προσδιορίσει την εσωτερική κατανομή και οργάνωσή τους.

 

Ποιες είναι οι κύριες τεχνικές που χρησιμοποιούνται στη μη επιβλεπόμενη μάθηση;

Οι δύο κύριες τεχνικές είναι η ομαδοποίηση και η μείωση διαστάσεων.

Η ομαδοποίηση επεξεργάζεται το σύνολο δεδομένων για να ομαδοποιήσει σημεία δεδομένων που μοιράζονται παρόμοια χαρακτηριστικά σε διακριτές κατηγορίες.

Η μείωση διαστάσεων μειώνει τον αριθμό των μεταβλητών σε ένα σύνθετο σύνολο δεδομένων διατηρώντας παράλληλα τις απαραίτητες πληροφορίες, καθιστώντας τα δεδομένα υπολογιστικά πιο εύκολα στην επεξεργασία.

 

Ποιοι αλγόριθμοι χρησιμοποιούνται συνήθως και ποια είναι η θεωρητική τους βάση;

Για την ομαδοποίηση, οι K-Means και η Ιεραρχική Ομαδοποίηση είναι τυπικοί αλγόριθμοι.

Για τη μείωση των διαστάσεων, χρησιμοποιείται ευρέως η Principal Component Analysis (PCA). Θεωρητικά, αυτοί οι αλγόριθμοι βασίζονται σε στατιστικά στοιχεία και γεωμετρία. Αντί για προκαθορισμένους κανόνες, υπολογίζουν τις αποστάσεις μεταξύ σημείων δεδομένων σε έναν πολυδιάστατο χώρο για να βρουν ομοιότητες ή υπολογίζουν τη διακύμανση εντός των δεδομένων για να εντοπίσουν τα πιο σημαντικά χαρακτηριστικά.

 

Ποιες γλώσσες προγραμματισμού και βιβλιοθήκες απαιτούνται για την υλοποίησή της;

Η Python και η R είναι οι τυπικές γλώσσες προγραμματισμού για αυτήν την εργασία.

Στην Python, η βιβλιοθήκη scikit-learn παρέχει τα κύρια εργαλεία για την εκτέλεση αλγορίθμων ομαδοποίησης και μείωσης των διαστάσεων. Για την επεξεργασία μαζικών συνόλων δεδομένων, χρησιμοποιούνται βιβλιοθήκες κατανεμημένων υπολογιστών όπως το Apache Spark MLlib.

 

Ποια είναι τα άμεσα αποτελέσματα της χρήσης μη επιβλεπόμενης μάθησης;

Τα άμεσα αποτελέσματα περιλαμβάνουν την τμηματοποίηση δεδομένων, την ανίχνευση ανωμαλιών και την εξαγωγή χαρακτηριστικών. Αυτά τα αποτελέσματα χρησιμοποιούνται για την κατηγοριοποίηση οντοτήτων, τον εντοπισμό ασυνήθιστων σημείων δεδομένων που αποκλίνουν από τον κανόνα (όπως δόλιες συναλλαγές) ή την απλοποίηση δομών δεδομένων πριν από την εφαρμογή επακόλουθων μοντέλων μηχανικής μάθησης.