Ohjaamaton oppiminen

Ohjaamaton oppiminen on koneoppimisen kategoriaan kuuluva konsepti, joka viittaa koneoppimiseen, jossa koneet toimivat ilman etuk?teen saatua ohjeistusta. Koneet oppivat siis itse toimimaan datan pohjalta. Kone tulee kuitenkin ensin ohjelmoida kykenev?ksi oppimiseen.

Mit? ohjaamaton oppiminen tarkoittaa?

Ohjaamaton oppiminen on koneoppimisen laji, jossa koneet luokittelevat sek? aineellisia ett? aineettomia objekteja ilman, ett? koneelle on sy?tetty mink??nlaista etuk?teistietoa objekteista. Asiat, joita koneet tarvitsevat luokitteluun vaihtelevat. K?yt?ss? voivat olla esimerkiksi seuraavat asiat:

• Ostok?ytt?ytyminen
• Bakteerien k?ytt?ytymismallit
• Hakkerihy?kk?ykset

Ohjaamaton koneoppiminen p??ajatukseltaan altistaa koneen laajoille m??rille vaihtelevaa dataa, mahdollistaen koneelle oppimisen sek? p??ttelemisen aineiston pohjalta. Kone t?ytyy kuitenkin ensin ohjelmoida kykenev?ksi oppimaan datasta.

Ohjaamaton oppiminen tunnetaan englanniksi nimell? unsupervised learning.

Ohjaamaton oppiminen – Techopedia selitt??

Tietokonej?rjestelmien tulee kyet? ymm?rt?m??n laajoja m??ri? sek? strukturoitua ett? strukturoimatonta dataa sek? tarjoamaan n?kemyksi?. Todellisuudessa ei v?ltt?m?tt? ole mahdollista tarjota etuk?teen tietoa kaikesta mahdollisesta datasta, jota tietokonej?rjestelm? saattaa k?sitell? pitkien ajanjaksojen aikana.

Kun t?m? pidet??n mieless?, ohjattu oppiminen ei v?ltt?m?tt? ole soveltuva vaihtoehto tietokonej?rjestelmille, jotka tarvitsevat jatkuvasti tietoa uudenlaisesta datasta. Esimerkiksi hakkerihy?kk?ykset finanssij?rjestelmiin tai pankkien palvelimille tapaavat muuttaa muotoaan ja toimintatapojaan s??nn?llisesti, jolloin ohjattu oppiminen voi olla soveltuvampi t?llaisiin tapauksiin, joissa j?rjestelm?lt? vaaditaan jatkuvaa oppimista sek? mukautumista tulevia hy?kk?yksi? varten. Ohjattu koneoppiminen tarjoaa t?ll?in keinoja, joilla varautua tulevaa varten.

Ohjaamaton koneoppiminen ja k?ytt?tarkoitukset

Ohjaamatonta oppimista voidaan hy?dynt?? monilla eri aloilla ja erilaisissa teht?viss?. T?ss? muutamia esimerkkej?:

1. Klusterointi: Ohjaamattomassa oppimisessa klusterointi auttaa ryhmitt?m??n samankaltaisia tietoja tai objekteja yhteen. Esimerkiksi asiakassegmentointi markkinointianalytiikassa tai kuvien ryhmittely kuvantunnistuksessa.
2. Mallien ymm?rt?minen: Se auttaa tunnistamaan piilevi? rakenteita ja ominaisuuksia datasta, mik? voi auttaa paremman ymm?rryksen luomisessa monimutkaisista systeemeist?. Esimerkiksi geneettisten algoritmien analyysi biologiassa.
3. Tietojen esik?sittely: Ennen kuin dataa sy?tet??n muihin koneoppimismenetelmiin, ohjaamaton oppiminen voi auttaa esik?sittelem??n ja jalostamaan tietoja, esimerkiksi v?hent?m?ll? ulottuvuuksia tai poistamalla turhia tietoja.
4. Anomalian havaitseminen: Ohjaamaton oppiminen voi auttaa havaitsemaan ep?tavallisia tai poikkeavia piirteit? datassa, kuten petolliset toimet rahoitusalalla tai tietoturvapoikkeamat tietokoneverkoissa.
5. Suositusten tekeminen: Se auttaa ymm?rt?m??n asiakkaan tai k?ytt?j?n mieltymyksi? ja tekem??n suosituksia esimerkiksi elokuvien, musiikin tai tuotteiden suhteen.

Ohjaamatonta oppimista hy?dynnet??n jatkuvasti yh? useammissa k?ytt?tarkoituksissa. Ohjaamaton koneoppiminen eroaa ohjatusta koneoppimisesta, jossa kone saa aluksi k?ytt??ns? opetusaineiston, joka ohjaa toimintaa.