Maschinelles Lernen ist ein Bereich der Informatik, der Computern die Fähigkeit verleiht, zu lernen, ohne explizit programmiert zu werden. Überwachtes Lernen und unüberwachtes Lernen sind zwei Haupttypen von maschinelles Lernen .

In überwachtes Lernen , wird die Maschine anhand eines Satzes gekennzeichneter Daten trainiert, was bedeutet, dass die Eingabedaten mit der gewünschten Ausgabe gepaart werden. Die Maschine lernt dann, die Ausgabe für neue Eingabedaten vorherzusagen. Überwachtes Lernen wird häufig für Aufgaben wie Klassifizierung, Regression und Objekterkennung eingesetzt.

Beim unüberwachten Lernen wird die Maschine anhand eines Satzes unbeschrifteter Daten trainiert, was bedeutet, dass die Eingabedaten nicht mit der gewünschten Ausgabe gepaart sind. Die Maschine lernt dann, Muster und Zusammenhänge in den Daten zu erkennen. Unüberwachtes Lernen wird häufig für Aufgaben wie verwendet Clusterbildung , Dimensionsreduktion und Anomalieerkennung.

Was ist überwachtes Lernen?

Überwachtes Lernen ist eine Art von Algorithmus für maschinelles Lernen das aus beschrifteten Daten lernt. Bei gekennzeichneten Daten handelt es sich um Daten, die mit einer richtigen Antwort oder Klassifizierung versehen wurden.

Beim überwachten Lernen ist, wie der Name schon sagt, ein Betreuer als Lehrer anwesend. Beim überwachten Lernen lehren oder trainieren wir die Maschine mithilfe gut gekennzeichneter Daten. Das bedeutet, dass einige Daten bereits mit der richtigen Antwort markiert sind. Danach wird die Maschine mit einem neuen Satz von Beispielen (Daten) versorgt, sodass der überwachte Lernalgorithmus die Trainingsdaten (Satz von Trainingsbeispielen) analysiert und aus den gekennzeichneten Daten ein korrektes Ergebnis liefert.

Beispielsweise wäre bei einem beschrifteten Datensatz mit Bildern von Elefanten, Kamelen und Kühen jedes Bild entweder mit „Elefant“, „Kamel“ oder „Kuh“ getaggt.

Wichtige Punkte:

• Beim überwachten Lernen wird eine Maschine anhand gekennzeichneter Daten trainiert.
• Beschriftete Daten bestehen aus Beispielen mit der richtigen Antwort oder Klassifizierung.
• Die Maschine lernt die Beziehung zwischen Eingaben (Fruchtbildern) und Ausgaben (Fruchtetiketten).
• Die trainierte Maschine kann dann Vorhersagen zu neuen, unbeschrifteten Daten treffen.

Beispiel:

Nehmen wir an, Sie haben einen Obstkorb, den Sie identifizieren möchten. Die Maschine analysierte zunächst das Bild, um Merkmale wie Form, Farbe und Textur zu extrahieren. Dann würde es diese Merkmale mit den Merkmalen der Früchte vergleichen, die es bereits kennengelernt hat. Wenn die Merkmale des neuen Bildes denen eines Apfels am ähnlichsten sind, würde die Maschine vorhersagen, dass es sich bei der Frucht um einen Apfel handelt.

Linux-Verzeichnis umbenennen

Zum Beispiel Nehmen wir an, Sie bekommen einen Korb voller verschiedener Obstsorten. Der erste Schritt besteht nun darin, die Maschine nacheinander mit allen verschiedenen Früchten zu trainieren, und zwar so:

• Wenn die Form des Objekts abgerundet ist, oben eine Vertiefung aufweist und eine rote Farbe hat, wird es als – gekennzeichnet. Apfel .
• Wenn die Form des Objekts ein langer, gekrümmter Zylinder mit grün-gelber Farbe ist, wird es wie folgt gekennzeichnet: Banane .

Angenommen, Sie haben nach dem Training der Daten eine neue, separate Frucht, beispielsweise eine Banane, aus dem Korb gegeben und gebeten, sie zu identifizieren.

Da die Maschine die Dinge bereits aus früheren Daten gelernt hat und sie dieses Mal mit Bedacht einsetzen muss. Zunächst wird die Frucht anhand ihrer Form und Farbe klassifiziert, der Fruchtname als BANANE bestätigt und in die Kategorie „Banane“ eingeordnet. Somit lernt die Maschine die Dinge aus Trainingsdaten (Korb mit Früchten) und wendet das Wissen dann auf Testdaten (neue Früchte) an.

Arten des überwachten Lernens

Überwachtes Lernen wird in zwei Kategorien von Algorithmen eingeteilt:

• Rückschritt : Ein Regressionsproblem liegt vor, wenn die Ausgabevariable ein realer Wert ist, beispielsweise Dollar oder Gewicht.
• Einstufung : Ein Klassifizierungsproblem liegt vor, wenn die Ausgabevariable eine Kategorie ist, z. B. Rot oder Blau, Krankheit oder keine Krankheit.

Überwachtes Lernen befasst sich mit gekennzeichneten Daten oder lernt mit ihnen. Dies bedeutet, dass einige Daten bereits mit der richtigen Antwort markiert sind.

tostring in Java

1- Regression

Regression ist eine Art überwachtes Lernen, das zur Vorhersage kontinuierlicher Werte wie Immobilienpreise, Aktienkurse oder Kundenabwanderung verwendet wird. Regressionsalgorithmen lernen eine Funktion, die die Eingabemerkmale auf den Ausgabewert abbildet.

Einige häufig Regressionsalgorithmen enthalten:

• Lineare Regression
• Polynomielle Regression
• Unterstützt die Vektormaschinenregression
• Entscheidungsbaum-Regression
• Zufällige Waldregression

2- Klassifizierung

Bei der Klassifizierung handelt es sich um eine Art überwachtes Lernen, mit dem kategorische Werte vorhergesagt werden, beispielsweise ob ein Kunde abwandert oder nicht, ob eine E-Mail Spam ist oder nicht oder ob ein medizinisches Bild einen Tumor zeigt oder nicht. Klassifizierungsalgorithmen lernen eine Funktion, die die Eingabemerkmale auf eine Wahrscheinlichkeitsverteilung über die Ausgabeklassen abbildet.

Einige häufig Klassifizierungsalgorithmen enthalten:

• Logistische Regression
• Support-Vektor-Maschinen
• Entscheidungsbäume
• Zufällige Wälder
• Naiver Baye

Evaluierung überwachter Lernmodelle

Die Bewertung überwachter Lernmodelle ist ein wichtiger Schritt, um sicherzustellen, dass das Modell genau und verallgemeinerbar ist. Es gibt eine Reihe verschiedener Metriken die zur Bewertung überwachter Lernmodelle verwendet werden können. Zu den gebräuchlichsten gehören jedoch:

Zur Regression

• Mittlerer quadratischer Fehler (MSE): MSE misst die durchschnittliche quadratische Differenz zwischen den vorhergesagten Werten und den tatsächlichen Werten. Niedrigere MSE-Werte weisen auf eine bessere Modellleistung hin.
• Root Mean Squared Error (RMSE): RMSE ist die Quadratwurzel von MSE und stellt die Standardabweichung der Vorhersagefehler dar. Ähnlich wie bei MSE weisen niedrigere RMSE-Werte auf eine bessere Modellleistung hin.
• Mittlerer absoluter Fehler (MAE): MAE misst die durchschnittliche absolute Differenz zwischen den vorhergesagten Werten und den tatsächlichen Werten. Im Vergleich zu MSE oder RMSE ist es weniger empfindlich gegenüber Ausreißern.
• R-Quadrat (Bestimmungskoeffizient): Das R-Quadrat misst den Anteil der Varianz in der Zielvariablen, der durch das Modell erklärt wird. Höhere R-Quadrat-Werte weisen auf eine bessere Modellanpassung hin.

Zur Klassifizierung

• Genauigkeit: Genauigkeit ist der Prozentsatz der Vorhersagen, die das Modell richtig macht. Sie wird berechnet, indem die Anzahl der richtigen Vorhersagen durch die Gesamtzahl der Vorhersagen dividiert wird.
• Präzision: Präzision ist der Prozentsatz der positiven Vorhersagen, die das Modell tatsächlich richtig macht. Sie wird berechnet, indem die Anzahl der echten positiven Vorhersagen durch die Gesamtzahl der positiven Vorhersagen dividiert wird.
• Abrufen: Der Rückruf ist der Prozentsatz aller positiven Beispiele, die das Modell korrekt identifiziert. Sie wird berechnet, indem die Anzahl der echten positiven Beispiele durch die Gesamtzahl der positiven Beispiele dividiert wird.
• F1-Ergebnis: Der F1-Score ist ein gewichteter Durchschnitt aus Präzision und Erinnerung. Sie wird berechnet, indem das harmonische Mittel aus Präzision und Erinnerung herangezogen wird.
• Verwirrung Matrix: Eine Verwirrungsmatrix ist eine Tabelle, die die Anzahl der Vorhersagen für jede Klasse zusammen mit den tatsächlichen Klassenbezeichnungen anzeigt. Es kann verwendet werden, um die Leistung des Modells zu visualisieren und Bereiche zu identifizieren, in denen das Modell Probleme hat.

Anwendungen des überwachten Lernens

Überwachtes Lernen kann zur Lösung einer Vielzahl von Problemen eingesetzt werden, darunter:

• Spam-Filterung: Überwachte Lernalgorithmen können trainiert werden, um Spam-E-Mails anhand ihres Inhalts zu identifizieren und zu klassifizieren, sodass Benutzer unerwünschte Nachrichten vermeiden können.
• Bildklassifizierung: Überwachtes Lernen kann Bilder automatisch in verschiedene Kategorien wie Tiere, Objekte oder Szenen klassifizieren und so Aufgaben wie Bildsuche, Inhaltsmoderation und bildbasierte Produktempfehlungen erleichtern.
• Medizinische Diagnose: Überwachtes Lernen kann bei der medizinischen Diagnose helfen, indem es Patientendaten wie medizinische Bilder, Testergebnisse und Patientengeschichte analysiert, um Muster zu identifizieren, die auf bestimmte Krankheiten oder Zustände hinweisen.
• Entdeckung eines Betruges: Modelle des überwachten Lernens können Finanztransaktionen analysieren und Muster identifizieren, die auf betrügerische Aktivitäten hinweisen, und so Finanzinstituten dabei helfen, Betrug zu verhindern und ihre Kunden zu schützen.
• Verarbeitung natürlicher Sprache (NLP): Überwachtes Lernen spielt eine entscheidende Rolle bei NLP-Aufgaben, einschließlich Stimmungsanalyse, maschineller Übersetzung und Textzusammenfassung, und ermöglicht es Maschinen, menschliche Sprache effektiv zu verstehen und zu verarbeiten.

Vorteile des überwachten Lernens

• Überwachtes Lernen ermöglicht das Sammeln von Daten und die Erstellung von Daten aus früheren Erfahrungen.
• Hilft, Leistungskriterien mithilfe von Erfahrung zu optimieren.
• Überwachtes maschinelles Lernen hilft bei der Lösung verschiedener Arten realer Rechenprobleme.
• Es führt Klassifizierungs- und Regressionsaufgaben durch.
• Es ermöglicht die Schätzung oder Zuordnung des Ergebnisses zu einer neuen Probe.
• Wir haben die vollständige Kontrolle über die Auswahl der Anzahl der Klassen, die wir in den Trainingsdaten haben möchten.

Nachteile des überwachten Lernens

• Die Klassifizierung großer Datenmengen kann eine Herausforderung sein.
• Das Training für überwachtes Lernen erfordert viel Rechenzeit. Es erfordert also viel Zeit.
• Überwachtes Lernen kann nicht alle komplexen Aufgaben des maschinellen Lernens bewältigen.
• Die Rechenzeit für überwachtes Lernen ist enorm.
• Es erfordert einen beschrifteten Datensatz.
• Es erfordert einen Trainingsprozess.

Was ist unüberwachtes Lernen?

Unüberwachtes Lernen ist eine Art maschinelles Lernen, das aus unbeschrifteten Daten lernt. Das bedeutet, dass die Daten keine bereits vorhandenen Labels oder Kategorien haben. Das Ziel des unüberwachten Lernens besteht darin, Muster und Zusammenhänge in den Daten ohne explizite Anleitung zu entdecken.

Beim unüberwachten Lernen wird eine Maschine trainiert, indem sie Informationen verwendet, die weder klassifiziert noch gekennzeichnet sind, und es dem Algorithmus ermöglicht, ohne Anleitung auf diese Informationen zu reagieren. Dabei besteht die Aufgabe der Maschine darin, unsortierte Informationen ohne vorheriges Datentraining nach Ähnlichkeiten, Mustern und Unterschieden zu gruppieren.

Im Gegensatz zum überwachten Lernen wird kein Lehrer bereitgestellt, was bedeutet, dass die Maschine nicht geschult wird. Daher ist die Maschine darauf beschränkt, die verborgene Struktur in unbeschrifteten Daten selbst zu finden.

Durch unüberwachtes Lernen können Sie die gesammelten Tierdaten untersuchen und anhand der Merkmale und Handlungen der Tiere mehrere Gruppen unterscheiden. Diese Gruppierungen können verschiedenen Tierarten entsprechen, sodass Sie die Lebewesen kategorisieren können, ohne sich auf bereits vorhandene Bezeichnungen zu verlassen.

Wichtige Punkte

• Durch unüberwachtes Lernen kann das Modell Muster und Beziehungen in unbeschrifteten Daten entdecken.
• Clustering-Algorithmen gruppieren ähnliche Datenpunkte basierend auf ihren inhärenten Eigenschaften.
• Durch die Merkmalsextraktion werden wesentliche Informationen aus den Daten erfasst, sodass das Modell sinnvolle Unterscheidungen treffen kann.
• Die Label-Assoziation weist den Clustern anhand der extrahierten Muster und Merkmale Kategorien zu.

Beispiel

Stellen Sie sich vor, Sie haben ein Modell für maschinelles Lernen, das auf einem großen Datensatz unbeschrifteter Bilder trainiert wird, der sowohl Hunde als auch Katzen enthält. Das Model hat noch nie zuvor ein Bild eines Hundes oder einer Katze gesehen und es gibt keine bereits vorhandenen Etiketten oder Kategorien für diese Tiere. Ihre Aufgabe besteht darin, durch unbeaufsichtigtes Lernen die Hunde und Katzen in einem neuen, unsichtbaren Bild zu identifizieren.

Zum Beispiel Angenommen, es wird ein Bild mit Hunden und Katzen gegeben, das es noch nie gesehen hat.

Daher hat die Maschine keine Ahnung von den Merkmalen von Hunden und Katzen, sodass wir sie nicht als „Hunde und Katzen“ kategorisieren können. Aber es kann sie nach ihren Ähnlichkeiten, Mustern und Unterschieden kategorisieren, d. h. wir können das obige Bild leicht in zwei Teile kategorisieren. Die erste kann alle Bilder enthalten Hunde in ihnen und im zweiten Teil können alle Bilder enthalten sein Katzen in ihnen. Hier haben Sie vorher nichts gelernt, also keine Trainingsdaten oder Beispiele.

mvc mit Java

Dadurch kann das Modell eigenständig arbeiten, um Muster und Informationen zu entdecken, die zuvor unentdeckt waren. Es handelt sich hauptsächlich um unbeschriftete Daten.

Arten des unbeaufsichtigten Lernens

Unüberwachtes Lernen wird in zwei Kategorien von Algorithmen eingeteilt:

• Clustering : Bei einem Clustering-Problem möchten Sie die inhärenten Gruppierungen in den Daten ermitteln, beispielsweise die Gruppierung von Kunden nach Kaufverhalten.
• Verband : Bei einem Lernproblem mit Assoziationsregeln möchten Sie Regeln entdecken, die große Teile Ihrer Daten beschreiben, z. B. wenn Personen, die X kaufen, auch dazu neigen, Y zu kaufen.

Clustering

Clustering ist eine Art unbeaufsichtigtes Lernen, das dazu dient, ähnliche Datenpunkte zu gruppieren. Clustering-Algorithmen Arbeiten Sie, indem Sie Datenpunkte iterativ näher an ihre Clusterzentren und weiter von Datenpunkten in anderen Clustern entfernen.

1. Exklusiv (Partitionierung)
2. Agglomerativ
3. Überlappend
4. Wahrscheinlichkeit

Clustering-Typen:-

1. Hierarchisches Clustering
2. K-bedeutet Clustering
3. Hauptkomponentenanalyse
4. Einzelwertzerlegung
5. Unabhängige Komponentenanalyse
6. Gaußsche Mischungsmodelle (GMMs)
7. Dichtebasiertes räumliches Clustering von Anwendungen mit Rauschen (DBSCAN)

Lernen von Assoziationsregeln

Das Lernen von Assoziationsregeln ist eine Art unbeaufsichtigtes Lernen, das zur Identifizierung von Mustern in Daten verwendet wird. Assoziationsregel Lernalgorithmen funktionieren, indem sie Beziehungen zwischen verschiedenen Elementen in einem Datensatz finden.

Zu den gängigen Lernalgorithmen für Assoziationsregeln gehören:

Java-Zeichenfolge anhängen

• Apriori-Algorithmus
• Eclat-Algorithmus
• FP-Wachstumsalgorithmus

Bewertung nicht überwachter Lernmodelle

Die Bewertung nicht überwachter Lernmodelle ist ein wichtiger Schritt, um sicherzustellen, dass das Modell effektiv und nützlich ist. Dies kann jedoch eine größere Herausforderung darstellen als die Bewertung überwachter Lernmodelle, da keine fundierten Daten vorliegen, mit denen die Vorhersagen des Modells verglichen werden könnten.

Es gibt eine Reihe verschiedener Metriken, die zur Bewertung nicht überwachter Lernmodelle verwendet werden können. Zu den gebräuchlichsten gehören jedoch:

• Silhouette-Score: Der Silhouette-Score misst, wie gut jeder Datenpunkt mit seinen eigenen Cluster-Mitgliedern geclustert und von anderen Clustern getrennt ist. Der Wert reicht von -1 bis 1, wobei höhere Werte auf eine bessere Clusterbildung hinweisen.
• Calinski-Harabasz-Ergebnis: Der Calinski-Harabasz-Score misst das Verhältnis zwischen der Varianz zwischen Clustern und der Varianz innerhalb von Clustern. Er reicht von 0 bis unendlich, wobei höhere Werte auf eine bessere Clusterbildung hinweisen.
• Bereinigter Rand-Index: Der angepasste Rand-Index misst die Ähnlichkeit zwischen zwei Clustern. Der Wert reicht von -1 bis 1, wobei höhere Werte auf ähnlichere Cluster hinweisen.
• Davies-Bouldin-Index: Der Davies-Bouldin-Index misst die durchschnittliche Ähnlichkeit zwischen Clustern. Er reicht von 0 bis unendlich, wobei niedrigere Werte auf eine bessere Clusterbildung hinweisen.
• F1-Ergebnis: Der F1-Score ist ein gewichteter Durchschnitt aus Präzision und Erinnerung, zwei Metriken, die beim überwachten Lernen häufig zur Bewertung von Klassifizierungsmodellen verwendet werden. Der F1-Score kann jedoch auch zur Bewertung nicht überwachter Lernmodelle wie Clustering-Modelle verwendet werden.

Anwendung des unbeaufsichtigten Lernens

Nicht überwachtes Lernen kann zur Lösung einer Vielzahl von Problemen eingesetzt werden, darunter:

• Anomalieerkennung: Unüberwachtes Lernen kann ungewöhnliche Muster oder Abweichungen vom normalen Verhalten in Daten erkennen und so Betrug, Eindringlinge oder Systemausfälle erkennen.
• Wissenschaftliche Entdeckung: Unüberwachtes Lernen kann verborgene Zusammenhänge und Muster in wissenschaftlichen Daten aufdecken und so zu neuen Hypothesen und Erkenntnissen in verschiedenen wissenschaftlichen Bereichen führen.
• Empfehlungssysteme: Durch unüberwachtes Lernen können Muster und Ähnlichkeiten im Benutzerverhalten und in den Vorlieben erkannt werden, um Produkte, Filme oder Musik zu empfehlen, die ihren Interessen entsprechen.
• Kundensegmentierung: Durch unüberwachtes Lernen können Kundengruppen mit ähnlichen Merkmalen identifiziert werden, sodass Unternehmen gezieltere Marketingkampagnen durchführen und den Kundenservice effektiver verbessern können.
• Bildanalyse: Unüberwachtes Lernen kann Bilder basierend auf ihrem Inhalt gruppieren und so Aufgaben wie Bildklassifizierung, Objekterkennung und Bildabruf erleichtern.

Vorteile des unbeaufsichtigten Lernens

• Eine Kennzeichnung der Trainingsdaten ist nicht erforderlich.
• Die Reduzierung der Dimensionalität kann durch unüberwachtes Lernen leicht erreicht werden.
• Kann bisher unbekannte Muster in Daten finden.
• Unüberwachtes Lernen kann Ihnen dabei helfen, Erkenntnisse aus unbeschrifteten Daten zu gewinnen, die Sie sonst möglicherweise nicht hätten gewinnen können.
• Unüberwachtes Lernen ist gut darin, Muster und Zusammenhänge in Daten zu finden, ohne dass einem gesagt wird, wonach man suchen soll. Dies kann Ihnen helfen, neue Dinge über Ihre Daten zu erfahren.

Nachteile des unbeaufsichtigten Lernens

• Es ist schwierig, Genauigkeit oder Wirksamkeit zu messen, da während des Trainings keine vordefinierten Antworten vorliegen.
• Die Ergebnisse weisen häufig eine geringere Genauigkeit auf.
• Der Benutzer muss Zeit damit verbringen, die Klassen, die dieser Klassifizierung folgen, zu interpretieren und zu kennzeichnen.
• Unüberwachtes Lernen kann empfindlich auf die Datenqualität reagieren, einschließlich fehlender Werte, Ausreißer und verrauschter Daten.
• Ohne gekennzeichnete Daten kann es schwierig sein, die Leistung unbeaufsichtigter Lernmodelle zu bewerten, was es schwierig macht, ihre Wirksamkeit zu beurteilen.

Überwachtes vs. unüberwachtes maschinelles Lernen

Abschluss

Überwachtes und unüberwachtes Lernen sind zwei leistungsstarke Werkzeuge, mit denen sich eine Vielzahl von Problemen lösen lassen. Überwachtes Lernen eignet sich gut für Aufgaben, bei denen der gewünschte Output bekannt ist, während unüberwachtes Lernen gut für Aufgaben geeignet ist, bei denen der gewünschte Output unbekannt ist.

Häufig gestellte Fragen (FAQs)

1. Was ist der Unterschied zwischen überwachter und unbeaufsichtigter Maschinensprache?

Überwachtes und unüberwachtes Lernen sind zwei grundlegende Ansätze des maschinellen Lernens, die sich in ihren Trainingsdaten und Lernzielen unterscheiden.

• Überwachtes Lernen Dabei wird ein maschinelles Lernmodell auf einem beschrifteten Datensatz trainiert, wobei jeder Datenpunkt über eine entsprechende Beschriftung oder einen entsprechenden Ausgabewert verfügt. Der Algorithmus lernt, die Eingabedaten der gewünschten Ausgabe zuzuordnen, sodass er Vorhersagen für neue, unsichtbare Daten treffen kann.
• Unbeaufsichtigtes Lernen hingegen befasst sich mit unbeschrifteten Datensätzen, bei denen die Datenpunkte keine zugehörigen Beschriftungen oder Ausgabewerte haben.

2. Was ist überwachtes Lernen?

Überwachtes Lernen ist eine Art maschinelles Lernen, bei dem der Algorithmus anhand eines beschrifteten Datensatzes trainiert wird, wobei jeder Datenpunkt eine entsprechende Beschriftung oder einen entsprechenden Ausgabewert hat. Der Algorithmus lernt, die Eingabedaten der gewünschten Ausgabe zuzuordnen, sodass er Vorhersagen für neue, unsichtbare Daten treffen kann.

3. Was sind gängige überwachte Lernalgorithmen?

Zu den gängigen Algorithmen für überwachtes Lernen gehören:

Runas in Powershell

• Einstufung: Wird verwendet, um Datenpunkten Kategorien zuzuweisen. Beispiele hierfür sind Support Vector Machines (SVMs), logistische Regression und Entscheidungsbäume.
• Regression: Wird zur Vorhersage kontinuierlicher numerischer Werte verwendet. Beispiele hierfür sind lineare Regression, Polynomregression und Ridge-Regression.

4. Was sind gängige unbeaufsichtigte Lernalgorithmen?

Zu den gängigen Algorithmen für unbeaufsichtigtes Lernen gehören:

• Clustering: Gruppieren Sie Datenpunkte basierend auf ihrer Ähnlichkeit in Cluster. Beispiele hierfür sind k-Means-Clustering und hierarchisches Clustering.
• Dimensionsreduktion: Reduzieren Sie die Anzahl der Features in einem Datensatz und bewahren Sie gleichzeitig die wichtigsten Informationen. Beispiele hierfür sind die Hauptkomponentenanalyse (PCA) und Autoencoder.

5. Was ist unüberwachtes Lernen?

Unüberwachtes Lernen ist eine Art maschinelles Lernen, bei dem der Algorithmus auf einem unbeschrifteten Datensatz trainiert wird, bei dem die Datenpunkte keine entsprechenden Beschriftungen oder Ausgabewerte haben. Der Algorithmus lernt, ohne explizite Anleitung Muster und Strukturen in den Daten zu erkennen.

6. Wann sollte überwachtes Lernen im Vergleich zu unüberwachtem Lernen eingesetzt werden?

Verwenden Sie überwachtes Lernen, wenn Sie über einen beschrifteten Datensatz verfügen und Vorhersagen für neue Daten treffen möchten. Verwenden Sie unüberwachtes Lernen, wenn Sie über einen unbeschrifteten Datensatz verfügen und Muster oder Strukturen in den Daten identifizieren möchten.