Uczenie nienadzorowane

Czym jest uczenie nienadzorowane?

Uczenie nienadzorowane to metoda umożliwiająca maszynom klasyfikację zarówno materialnych, jak i niematerialnych obiektów bez dostarczania im wcześniejszych informacji na ich temat.

Obiekty, które maszyny muszą klasyfikować, są różnorodne (np. nawyki zakupowe klientów, wzorce zachowań bakterii czy ataki hakerskie).

Główną ideą w uczeniu maszynowym nienadzorowanym jest wystawienie maszyn na dużą ilość różnorodnych danych i pozwolenie im na naukę oraz wyciąganie wniosków z otrzymanych informacji. Jednak aby było to możliwe, maszyny muszą najpierw zostać zaprogramowane do nauki z danych.

Techopedia wyjaśnia termin “uczenie nienadzorowane”

Systemy komputerowe muszą rozumieć duże ilości danych (zarówno ustrukturyzowanych, jak i nieustrukturyzowanych), aby wyciągać wnioski.

Jednak problem polega na tym, że dostarczenie wcześniejszych informacji na temat wszystkich typów danych, które system komputerowy otrzyma w dłuższym okresie, może okazać się niewykonalne w praktyce.

Dlatego uczenie nadzorowane czasem nie jest odpowiednie, gdy systemy komputerowe potrzebują stałych informacji o nowych typach danych.

Na przykład ataki hakerskie na systemy finansowe lub serwery bankowe często zmieniają swoją naturę i wzorce, przez co w ich przypadku bardziej adekwatne będzie skorzystanie z algorytmów uczenia maszynowego nienadzorowanego.

Wynika to z faktu, że systemy komputerowe muszą być w stanie szybko reagować na dane wejściowe dotyczące ataków i uczyć się z nich, aby przewidywać przyszłe próby wtargnięcia i sugerować działania zapobiegawcze.

Teraz już wiesz, jak działa uczenie nienadzorowane i w jakich sytuacjach się je stosuje. Możemy stąd wyciągnąć także wniosek, że uczenie maszynowe (ang. machine learning) musi być odpowiednio dobrane do pracy systemu komputerowego, jeśli zależy nam na jego skutecznej pracy.