uczenie nienadzorowane
Sign in to saveAlso known as unsupervised machine learning
dziedzina uczenia maszynowego
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