4. Jakie są różnice między uczeniem nadzorowanym a nienadzorowanym?

Uczenie nadzorowane i nienadzorowane to dwa podstawowe rodzaje uczenia maszynowego, różniące się sposobem trenowania modeli.

Uczenie nadzorowane:

• Model uczy się na danych oznaczonych, gdzie każda próbka treningowa ma przypisaną etykietę.
• Celem jest przewidywanie etykiet dla nowych danych.
• Przykłady: klasyfikacja (np. rozpoznawanie obrazów) i regresja (np. prognozowanie cen).

Uczenie nienadzorowane:

• Model uczy się na danych nieoznaczonych, gdzie celem jest odkrycie struktury lub wzorców w danych.
• Celem jest identyfikacja ukrytych struktur lub grupowania podobnych danych.
• Przykłady: klasteryzacja (np. grupowanie klientów) i redukcja wymiarów (np. PCA).

Główne różnice:

1. Dane treningowe: Uczenie nadzorowane wymaga danych oznaczonych, podczas gdy uczenie nienadzorowane używa danych nieoznaczonych.
2. Cel: Uczenie nadzorowane skupia się na przewidywaniu etykiet, a uczenie nienadzorowane na odkrywaniu wzorców.
3. Zastosowania: Uczenie nadzorowane jest używane w zadaniach wymagających prognozowania, podczas gdy uczenie nienadzorowane jest używane do eksploracji danych i odkrywania struktur.