Diferenças entre aprendizado supervisionado e não supervisionado

fundamentos de duas abordagens de ciência de dados: supervisionada e não supervisionada.

O mundo está ficando “mais inteligente” a cada dia e, para acompanhar as expectativas dos consumidores, as empresas estão usando cada vez mais algoritmos de aprendizado de máquina para facilitar as coisas. Você pode vê-los em uso em dispositivos de usuário final (por meio de reconhecimento facial para desbloquear smartphones) ou para detectar fraudes de cartão de crédito (como acionar alertas para compras incomuns).

Dentro da inteligência artificial (IA) e do aprendizado de máquina , existem duas abordagens básicas: aprendizado supervisionado e aprendizado não supervisionado. A principal diferença é que um usa dados rotulados para ajudar a prever resultados, enquanto o outro não. No entanto, existem algumas nuances entre as duas abordagens e áreas-chave em que uma supera a outra. Este post esclarecerá as diferenças para que você possa escolher a melhor abordagem para sua situação.

O que é aprendizagem supervisionada?

O aprendizado supervisionado é uma abordagem de aprendizado de máquina definida pelo uso de conjuntos de dados rotulados. Esses conjuntos de dados são projetados para treinar ou “supervisionar” algoritmos para classificar dados ou prever resultados com precisão. Usando entradas e saídas rotuladas, o modelo pode medir sua precisão e aprender ao longo do tempo.

O aprendizado supervisionado pode ser separado em dois tipos de problemas durante a mineração de dados : classificação e regressão:

Os problemas de classificação usam um algoritmo para atribuir dados de teste com precisão em categorias específicas, como separar maçãs de laranjas. Ou, no mundo real, algoritmos de aprendizado supervisionado podem ser usados para classificar spam em uma pasta separada de sua caixa de entrada. Classificadores lineares, máquinas de vetor de suporte, árvores de decisão e floresta aleatória são tipos comuns de algoritmos de classificação.

A regressão é outro tipo de método de aprendizado supervisionado que usa um algoritmo para entender a relação entre variáveis dependentes e independentes. Os modelos de regressão são úteis para prever valores numéricos com base em diferentes pontos de dados, como projeções de receita de vendas para um determinado negócio. Alguns algoritmos de regressão populares são regressão linear, regressão logística e regressão polinomial.

O que é aprendizagem não supervisionada?

O aprendizado não supervisionado usa algoritmos de aprendizado de máquina para analisar e agrupar conjuntos de dados não rotulados. Esses algoritmos descobrem padrões ocultos nos dados sem a necessidade de intervenção humana (portanto, eles são “sem supervisão”).

Modelos de aprendizado não supervisionado são usados para três tarefas principais: agrupamento, associação e redução de dimensionalidade:

Clustering é uma técnica de mineração de dados para agrupar dados não rotulados com base em suas semelhanças ou diferenças. Por exemplo, algoritmos de agrupamento K-means atribuem pontos de dados semelhantes em grupos, onde o valor K representa o tamanho do agrupamento e a granularidade. Esta técnica é útil para segmentação de mercado, compressão de imagens, etc.

A associação é outro tipo de método de aprendizado não supervisionado que usa regras diferentes para encontrar relacionamentos entre variáveis em um determinado conjunto de dados. Esses métodos são frequentemente usados para análise de cestas de mercado e mecanismos de recomendação, nos moldes das recomendações “Clientes que compraram este item também compraram”.

A redução de dimensionalidade é uma técnica de aprendizado usada quando o número de recursos (ou dimensões) em um determinado conjunto de dados é muito alto. Ele reduz o número de entradas de dados para um tamanho gerenciável, ao mesmo tempo em que preserva a integridade dos dados. Muitas vezes, essa técnica é usada no estágio de pré-processamento de dados, como quando os autoencoders removem o ruído dos dados visuais para melhorar a qualidade da imagem.

Outras diferenças importantes entre aprendizado supervisionado e não supervisionado

Objetivos: No aprendizado supervisionado, o objetivo é prever resultados para novos dados. Você sabe de antemão o tipo de resultados que espera. Com um algoritmo de aprendizado não supervisionado, o objetivo é obter insights de grandes volumes de novos dados. O próprio aprendizado de máquina determina o que é diferente ou interessante do conjunto de dados.

Aplicações : Os modelos de aprendizado supervisionado são ideais para detecção de spam, análise de sentimentos, previsão do tempo e previsão de preços, entre outras coisas. Por outro lado, o aprendizado não supervisionado é uma ótima opção para detecção de anomalias, mecanismos de recomendação, personas de clientes e imagens médicas.

Complexidade: O aprendizado supervisionado é um método simples de aprendizado de máquina, normalmente calculado por meio do uso de programas como R ou Python. No aprendizado não supervisionado, você precisa de ferramentas poderosas para trabalhar com grandes quantidades de dados não classificados. Os modelos de aprendizado não supervisionados são computacionalmente complexos porque precisam de um grande conjunto de treinamento para produzir os resultados pretendidos.

Desvantagens : Os modelos de aprendizado supervisionado podem ser demorados para treinar, e os rótulos para variáveis de entrada e saída exigem experiência. Enquanto isso, métodos de aprendizado não supervisionados podem ter resultados extremamente imprecisos, a menos que você tenha intervenção humana para validar as variáveis de saída.

Referências:

https://www.ibm.com/cloud/blog/supervised-vs-unsupervised-learning

https://dataat.github.io/introducao-ao-machine-learning/introdu%C3%A7%C3%A3o.html