Nazoratsiz Mashinani O'rganish Nima?

Korporativ faoliyatning har qanday turi uchun asosiy mezonlardan biri axborotdan samarali foydalanish hisoblanadi. Bir nuqtada yaratilgan ma'lumotlar hajmi asosiy ishlov berish imkoniyatlaridan oshib ketadi.
Aynan shu erda mashinani o'rganish algoritmlari o'ynaydi. Biroq, bularning barchasi sodir bo'lishidan oldin, ma'lumotni o'rganish va sharhlash kerak. Xulosa qilib aytganda, bu nazoratsiz mashinani o'rganish uchun ishlatiladi.
Ushbu maqolada biz nazoratsiz mashinani chuqur o'rganishni, jumladan, uning algoritmlarini, foydalanish holatlarini va boshqalarni ko'rib chiqamiz.
Nazoratsiz Mashinani O'rganish Nima?
Nazorat qilinmagan mashinani o'rganish algoritmlari ma'lumotlar to'plamidagi ma'lum yoki etiketli oqibatlarga ega bo'lmagan naqshlarni aniqlaydi. Nazorat qilingan mashinada o'rganish algoritmlari belgilangan chiqishga ega bo'ling.
Ushbu farqni bilish sizga regressiya yoki tasniflash masalalarini hal qilish uchun nazoratsiz mashinani o'rganish usullaridan nima uchun foydalana olmasligini tushunishga yordam beradi, chunki siz chiqish ma'lumotlarining qiymati/javobi qanday bo'lishi mumkinligini bilmaysiz. Qiymat/javobni bilmasangiz, odatda algoritmni o'rgata olmaysiz.
Bundan tashqari, nazoratsiz o'rganish ma'lumotlarning asosiy tuzilishini aniqlash uchun ishlatilishi mumkin. Ushbu algoritmlar yashirin naqshlarni yoki ma'lumotlar guruhlarini odamlarning o'zaro ta'sirisiz aniqlaydi.
Uning ma'lumotlardagi o'xshashlik va qarama-qarshiliklarni aniqlash qobiliyati uni tadqiqot ma'lumotlarini tahlil qilish, o'zaro sotish usullari, iste'molchilarni segmentatsiyalash va rasmni identifikatsiyalash uchun ajoyib tanlov qiladi.
Quyidagi stsenariyni ko'rib chiqing: siz oziq-ovqat do'konidasiz va ilgari hech qachon ko'rmagan noma'lum mevani ko'rasiz. Siz noma'lum mevani shakli, o'lchami yoki rangi bo'yicha kuzatishlaringiz asosida atrofdagi boshqa mevalardan osongina ajratib olishingiz mumkin. 
Nazoratsiz Mashinani O'rganish Algoritmlari
Kümeleme
Klasterlash, shubhasiz, eng ko'p qo'llaniladigan nazoratsiz ta'lim usulidir. Ushbu yondashuv tegishli ma'lumotlar elementlarini tasodifiy yaratilgan klasterlarga joylashtiradi.
O'z-o'zidan, ML modeli tasniflanmagan ma'lumotlar strukturasidagi har qanday naqshlarni, o'xshashliklarni va/yoki farqlarni aniqlaydi. Model ma'lumotlardagi har qanday tabiiy guruhlar yoki sinflarni aniqlay oladi.
Turlari
Klasterlashning bir necha shakllaridan foydalanish mumkin. Avval eng muhimlarini ko'rib chiqaylik.

• 
  Eksklyuziv klasterlash, ba'zan "qattiq" klasterlash deb nomlanuvchi, bitta ma'lumot bo'lagi faqat bitta klasterga tegishli bo'lgan guruhlash turidir.
  
• 
  Ko'pincha "yumshoq" klasterlash deb nomlanuvchi bir-biriga o'xshash klasterlash ma'lumotlar ob'ektlarini turli darajada bir nechta klasterga tegishli bo'lishiga imkon beradi. Bundan tashqari, ehtimolli klasterlash "yumshoq" klasterlash yoki zichlikni baholash muammolarini hal qilish uchun, shuningdek, ma'lum klasterlarga tegishli ma'lumotlar nuqtalarining ehtimoli yoki ehtimolini baholash uchun ishlatilishi mumkin.
  
• 
  Guruhlangan ma'lumotlar elementlarining ierarxiyasini yaratish ierarxik klasterlashning maqsadi, nomidan ko'rinib turibdiki. Klasterlarni yaratish uchun ma'lumotlar elementlari ierarxiya asosida dekonstruksiya qilinadi yoki birlashtiriladi.
  

Ishlarni Ishlatish:

1.