Denetimsiz öğrenme

Bir modelin etiketlenmemiş bir veri kümesi üzerinde eğitilmesini içerir. Amaç, verilerdeki gizli kalıpları veya yapıları keşfetmektir. Bu, bir çocuğa kullanım kılavuzu olmadan büyük bir kutu LEGO tuğlası vermeye benzer. Amaç, kendi başlarına ne tür ilginç yapılar veya kalıplar ortaya çıkaracaklarını görmektir. Örnekler arasında kümeleme ve boyut indirgeme görevleri yer alır:

• Kümeleme: Amaç, benzer örnekleri kümeler halinde gruplandırmaktır. Bu, oyuncaklarınızı nasıl yapacağınız söylenmeden gruplara ayırmak gibidir. Örneğin, bir mağaza müşterileri farklı türlere ayırabilir, böylece her türe reklam yapmanın en iyi yolunu bulabilirler. Veya sosyal medyada, kimin hangi arkadaş grubunda olduğunu bulmaya yardımcı olur.
• Boyut İndirgeme: Yüksek boyutlu verilerin karmaşıklığını, temel özelliklerini koruyarak basitleştiren bir tekniktir. Okul malzemeleriyle dolu kocaman bir sırt çantanız olduğunu ama onu hafifletmek istediğinizi hayal edin. Boyut indirgeme, neyin gerekli olup neyin olmadığını anlamak gibidir, böylece sadece gerçekten ihtiyacınız olanı taşırsınız. Bu, çok fazla bilgiyle başa çıkmaya yardımcı olur - örneğin çok karmaşık bir resme bakmaya çalışıyorsanız ve onu anlamayı kolaylaştırmak için basitleştiriyorsanız.

Bu kursta farklı algoritmaları inceledikçe, bunların denetimli mi yoksa denetimsiz öğrenmeye mi daha çok benzediğinden bahsedeceğiz.