uczenie nienadzorowane
Sign in to saveAlso known as unsupervised machine learning
dziedzina uczenia maszynowego
In the Vinony graph
Vinony's link graph records 517 inbound references to uczenie nienadzorowane, and connects out to restricted Boltzmann machine, artificial neural network and cluster analysis.
It is catalogued under the topic Unsupervised learning.
Vinony links it to 37 Wikipedia language editions.
Research
14,328 papers- Demystifying unsupervised learning: how it helps and hurts.Trends in cognitive sciences · 2024
- Segment-Based Unsupervised Learning Method in Sensor-Based Human Activity Recognition.Sensors (Basel, Switzerland) · 2023
- Unsupervised graph-level representation learning with hierarchical contrasts.Neural networks : the official journal of the International Neural Network Society · 2023
- A new concept of unsupervised learning: directed self-guided learning in the health professions.Academic medicine : journal of the Association of American Medical Colleges · 2010
- Unsupervised learning for robust working memory.PLoS computational biology · 2022
via PubMed
Wikidata facts
- Subclass of
- machine learning
Show 7 more facts
- opposite of
- supervised learning
- topic's main category
- Category:Unsupervised learning
- ACM Classification Code (2012)
- 10010260
- studied by
- machine learning
- used by
- data scientist
- uses
- generative model
- Commons category
- Unsupervised learning
Sources (3)
via Wikidata · CC0
Article · Polski
Uczenie nienadzorowane – rodzaj uczenia maszynowego, którego zadaniem jest odkrywanie w zbiorze danych wzorców bez wcześniej istniejących etykiet i przy minimalnej ingerencji człowieka. Uczenie nienadzorowane zakłada brak obecności oczekiwanego wyjścia w danych uczących. W przeciwieństwie do uczenia nadzorowanego, które zwykle wykorzystuje dane oznaczone przez człowieka, uczenie nienadzorowane umożliwia modelowanie gęstości prawdopodobieństwa danych wejściowych. Uczenie nienadzorowane stanowi, wraz z uczeniem nadzorowanym i uczeniem przez wzmacnianie, jedną z trzech głównych kategorii uczenia maszynowego. Wariantem pośrednim pomiędzy uczeniem nadzorowanym i uczeniem nienadzorowanym są techniki uczenie częściowo nadzorowanego. Dwie główne metody stosowane w uczeniu nienadzorowanym to analiza składowych głównych oraz analiza skupień. Analiza składowych głównych jest wykorzystywana do zmniejszania wymiarowości danych poprzez odkrywanie i odrzucanie cech które niosą ze sobą najmniej informacji. Analiza skupień jest wykorzystywana w celu grupowania lub segmentowania zestawów danych ze wspólnymi atrybutami w celu ekstrapolacji występujących w nich zależności. Analiza skupień identyfikuje podobieństwa w danych i pozwala na grupowanie danych, które nie zostały oznaczone, sklasyfikowane ani skategoryzowane. Ponieważ analiza skupień bazuje na obecności lub braku takich podobieństw w nowej danych, może być wykorzystana aby wykryć nietypowe dane, które nie pasują do żadnej grupy.
Abstract from DBpedia / Wikipedia · CC BY-SA