Nazoratsiz Mashinani O'rganish Nima?

Anomaliyani aniqlash:

Klasterlash yordamida ma'lumotlardagi har qanday turdagi chegaralarni aniqlash mumkin. Transport va logistika kompaniyalari, masalan, logistik to'siqlarni aniqlash yoki shikastlangan mexanik qismlarni ochish uchun anomaliyalarni aniqlashdan foydalanishi mumkin (bashoratli texnik xizmat ko'rsatish).
Moliyaviy institutlar soxta tranzaktsiyalarni aniqlash va tezkor javob berish uchun texnologiyadan foydalanishi mumkin, bu esa katta pulni tejash imkonini beradi. Videomizni tomosha qilish orqali anormallik va firibgarlikni aniqlash haqida ko'proq bilib oling.

2. 
   Mijozlar va bozorlarni segmentatsiyalash:
   

Klaster algoritmlari o'xshash xususiyatlarga ega bo'lgan odamlarni guruhlashda va yanada samarali marketing va maqsadli tashabbuslar uchun iste'molchilarni yaratishda yordam beradi.
K - Degani
K-means - bu bo'linish yoki segmentatsiya sifatida ham tanilgan klasterlash usuli. U ma'lumotlar nuqtalarini K deb nomlanuvchi oldindan belgilangan klasterlar soniga ajratadi.
K-means usulida K - bu kirish, chunki siz kompyuterga ma'lumotlaringizda qancha klasterni aniqlamoqchi ekanligingizni bildirasiz. Har bir ma'lumot elementi keyinchalik markaz sifatida tanilgan eng yaqin klaster markaziga tayinlanadi (rasmdagi qora nuqta).
Ikkinchisi ma'lumotlarni saqlash joylari sifatida xizmat qiladi. Klasterlash texnikasi klasterlar aniq belgilanmaguncha bir necha marta bajarilishi mumkin.
Fuzzy K- Degani
Fuzzy K-means - bu K-vositalari texnikasining kengaytmasi bo'lib, u bir-birining ustiga chiqadigan klasterlash uchun ishlatiladi. K-means texnikasidan farqli o'laroq, loyqa K-vositalar ma'lumotlar nuqtalari har biriga turli darajadagi yaqinlikdagi ko'plab klasterlarga tegishli bo'lishi mumkinligini ko'rsatadi.
Ma'lumotlar nuqtalari va klaster markazi orasidagi masofa yaqinlikni hisoblash uchun ishlatiladi. Natijada, turli klasterlar bir-biriga mos keladigan holatlar bo'lishi mumkin.
Gauss Aralashmasi Modellari
Gauss aralashmasi modellari (GMM) ehtimollik klasterlashda qo'llaniladigan usuldir. O'rtacha va dispersiya noma'lum bo'lganligi sababli, modellar har biri alohida klasterni ifodalovchi Gauss taqsimotlarining qat'iy soni borligini taxmin qiladi.
Muayyan ma'lumotlar nuqtasi qaysi klasterga tegishli ekanligini aniqlash uchun usul asosan qo'llaniladi.
Ierarxik Klasterlash
Ierarxik klasterlash strategiyasi boshqa klasterga tayinlangan har bir ma'lumot nuqtasi bilan boshlanishi mumkin. Keyin bir-biriga eng yaqin bo'lgan ikkita klaster bitta klasterga birlashtiriladi. Takroriy birlashma tepada faqat bitta klaster qolguncha davom etadi.
Ushbu usul pastdan yuqoriga yoki aglomerativ deb nomlanadi. Agar siz bir xil klasterga bog'langan barcha ma'lumotlar elementlaridan boshlasangiz va keyin har bir ma'lumot elementi alohida klaster sifatida tayinlanmaguncha bo'linishlarni amalga oshirsangiz, usul yuqoridan pastga yoki bo'linuvchi ierarxik klasterlash deb nomlanadi.
Apriori Algoritmi
Bozor savatchasini tahlil qilish apriori algoritmlarini ommalashtirdi, natijada musiqa platformalari va onlayn-do'konlar uchun turli xil tavsiya mexanizmlari paydo bo'ldi.
Ular tranzaktsion ma'lumotlar to'plamida tez-tez uchraydigan elementlar to'plamini yoki elementlarning guruhlarini topish uchun foydalaniladi, boshqasini iste'mol qilish asosida bir mahsulotni iste'mol qilish ehtimolini taxmin qilish uchun.
Masalan, agar men Spotify’da OneRepublic radiosini “Yulduzlarni sanash” bilan o‘ynay boshlasam, ushbu kanaldagi boshqa qo‘shiqlardan biri “Bad Liar” kabi Imagine Dragon qo‘shig‘i bo‘lishi aniq.
Bu mening oldingi tinglash odatlarim va boshqalarning tinglash usullariga asoslanadi. Apriori usullari, birinchi navbatda, ma'lumotlar to'plami kengligidan o'tib, xesh daraxti yordamida elementlar to'plamini sanaydi.
O'lchovni Kamaytirish
O'lchovlarni qisqartirish - bu ma'lumotlar to'plamidagi xususiyatlar yoki o'lchamlar sonini kamaytirish uchun strategiyalar to'plamidan foydalanadigan nazoratsiz o'rganishning bir turi. Bizga aniqlik kiritishga ruxsat bering.
O'zingizni yaratishda iloji boricha ko'proq ma'lumotlarni kiritish jozibador bo'lishi mumkin Mashinani o'rganish uchun ma'lumotlar to'plami. Bizni noto'g'ri tushunmang: bu strategiya yaxshi ishlaydi, chunki ko'proq ma'lumotlar odatda aniqroq topilmalarni beradi.
Ma'lumotlar N o'lchovli fazoda saqlangan deb faraz qiling, har bir xususiyat boshqa o'lchamni ifodalaydi. Agar juda ko'p ma'lumotlar bo'lsa, yuzlab o'lchamlar bo'lishi mumkin.
Xususiyatlarni ifodalovchi ustunlar va ma'lumotlar elementlarini ifodalovchi qatorlar bilan Excel elektron jadvallarini ko'rib chiqing. Agar juda ko'p o'lchamlar mavjud bo'lsa, ML algoritmlari yomon ishlashi mumkin va ma'lumotlarni vizualizatsiya qilish qiyinlashishi mumkin.
Shunday qilib, xususiyatlar yoki o'lchamlarni cheklash va faqat tegishli ma'lumotlarni etkazish mantiqiy bo'ladi. Hajmining qisqarishi aynan shunday. Bu ma'lumotlar to'plamining yaxlitligini buzmasdan boshqariladigan miqdordagi ma'lumotlar kiritish imkonini beradi.
Asosiy Komponentlar Tahlili (PCA)
Komponentlarni tahlil qilishning asosiy usuli - bu o'lchovlarni kamaytirish yondashuvi. U katta ma'lumotlar to'plamlaridagi xususiyatlar sonini minimallashtirish uchun ishlatiladi, bu esa aniqlikni yo'qotmasdan ma'lumotlarning soddaligini ta'minlaydi.
Ma'lumotlar to'plamini siqish xususiyatni ajratib olish deb nomlanuvchi usul bilan amalga oshiriladi. Bu asl to'plamdagi elementlarning yangi, kichikroq bo'lganiga aralashtirilganligini ko'rsatadi. Ushbu yangi xususiyatlar asosiy komponentlar sifatida tanilgan.
Albatta, siz nazoratsiz o'quv dasturlarida foydalanishingiz mumkin bo'lgan qo'shimcha algoritmlar mavjud. Yuqorida sanab o'tilganlar faqat eng keng tarqalgan, shuning uchun ular batafsilroq muhokama qilinadi.
Nazoratsiz Ta'limni Qo'llash

• 
  Ob'ektni tanib olish kabi vizual idrok etish vazifalari uchun nazoratsiz o'rganish usullari qo'llaniladi.
  
• 
  Nazoratsiz mashinani o'rganish bemorlarga tez va ishonchli tashxis qo'yish uchun radiologiya va patologiyada qo'llaniladigan tasvirni identifikatsiyalash, tasniflash va segmentatsiya kabi tibbiy tasvirlash tizimlarining muhim jihatlarini beradi.
  
• 
  Nazoratsiz o'rganish iste'molchi xatti-harakatlari haqidagi o'tmish ma'lumotlaridan foydalangan holda yanada samarali o'zaro savdo strategiyalarini yaratish uchun ishlatilishi mumkin bo'lgan ma'lumotlar tendentsiyalarini aniqlashga yordam beradi. Hisob-kitob jarayonida, bu onlayn korxonalar tomonidan mijozlarga to'g'ri qo'shimchalarni taklif qilish uchun ishlatiladi.
  
• 
  Nazorat qilinmagan o'rganish usullari juda katta hajmdagi ma'lumotlarni elakdan o'tkazishi mumkin. Ushbu nosozliklar uskunaning noto'g'ri ishlashi, inson xatosi yoki xavfsizlik buzilishi haqida ogohlantirishga olib kelishi mumkin.
  

Nazoratsiz Ta'lim Bilan Bog'liq Muammolar
Nazoratsiz ta'lim turli yo'llar bilan o'ziga jalb qiladi, muhim tushunchalarni topish potentsialidan qimmat ma'lumotlarni etiketlashdan qochish uchun ma'lumotlar operatsiyalar. Biroq, ushbu strategiyani o'qitish uchun ishlatishning bir qancha kamchiliklari mavjud mashinani o'rganish modellari bilishingiz kerak bo'lgan narsa. Mana bir nechta misollar.

• 
  Kiritilgan maʼlumotlarda javob kaliti sifatida xizmat qiluvchi teglar yoʻqligi sababli, nazoratsiz oʻrganish modellari natijalari unchalik aniq boʻlmasligi mumkin.
  
• 
  Nazoratsiz o'rganish ko'pincha katta ma'lumotlar to'plamlari bilan ishlaydi, bu esa hisoblash murakkabligini oshirishi mumkin.
  
• 
  Yondashuv so'rov predmeti bo'yicha ichki yoki tashqi mutaxassislar tomonidan natijalarni tasdiqlashni talab qiladi.
  
• 
  Algoritmlar mashg'ulot bosqichida har qanday stsenariyni tekshirishi va hisoblashi kerak, bu biroz vaqt talab etadi.
  

Xulosa
Ma'lumotlardan samarali foydalanish muayyan bozorda raqobatbardosh ustunlikni o'rnatishning kalitidir.
Maqsadli auditoriyangizning afzalliklarini o'rganish yoki ma'lum bir infektsiyaning muayyan davolanishga qanday javob berishini aniqlash uchun siz nazoratsiz mashinani o'rganish algoritmlari yordamida ma'lumotlarni segmentlarga bo'lishingiz mumkin.