Kendi kendine denetimli öğrenme

Kendi kendine denetimli öğrenme, bir sistemin verileri etiketlemek için insan müdahalesinin gerekmediği bir tahmin modeli oluşturmak için girdi verilerini kullandığı bir makine öğrenimi tekniğidir. Makinenin yeni verileri doğru bir şekilde sınıflandırmak ve tahmin etmek için kullanabileceği kalıpları, korelasyonları ve eğilimleri tanımlamasına yardımcı olmak için yapılandırılmamış verileri kullanarak çalışır. Bir insanın devreye girip verileri etiketlemesini gerektiren denetimli öğrenmenin aksine, kendi kendine denetimli öğrenme, bir sistemin herhangi bir manuel müdahale olmadan öğrenmesini sağlar.

Öz Denetimli Öğrenme kavramı, ilk olarak 1950'lerin sonlarında geliştirilen pekiştirmeli öğrenmeden ortaya çıkmıştır. O zamandan beri kendine özgü bir çalışma alanı haline geldi ve bilgisayarla görme, doğal dil işleme, robotik ve biyoinformatik gibi alanlarda çeşitli pratik uygulamalar için yaygın olarak kullanılmaya başlandı.

Kendi Kendine Denetimli Öğrenme iki ana kategoriye ayrılır: önceden eğitilmiş ve çevrimiçi öğrenme. Önceden eğitimli öğrenme, tahmine dayalı bir model oluşturmak için mevcut veri setlerini kullanırken, çevrimiçi öğrenme yeni veriler elde ettikçe modellerini sürekli olarak günceller.

Önceden eğitilmiş Kendi Kendine Denetimli Öğrenme, etiketli bir veri kümesi alıp üzerinde bir model eğiterek çalışır. Model daha sonra yeni verilerdeki örüntüleri tanımlamak ve bu örüntülere dayalı tahminler yapmak için kullanılır. Bu yaklaşım, bilgisayarla görme uygulamalarına yönelik görüntü veri kümeleri gibi insanlar tarafından etiketlenemeyecek kadar büyük veri kümeleri için kullanılır.

Takviyeli öğrenme olarak da bilinen Çevrimiçi Kendi Kendine Denetimli Öğrenme, bir sistemin çevresinden aldığı geri bildirimlere göre davranışını ayarlamak üzere eğitildiği bir makine öğrenimi türüdür. Bu öğrenme türü, bir sistemin zaman içinde öğrenmesini ve yeni durumlara ve verilere uyum sağlamasını sağlar.

Öz Denetimli Öğrenme, bilgisayarla görmeden doğal dil işleme ve robotik alanlarına kadar çeşitli uygulamalarda kullanılabilir. Birçok potansiyel kullanıma sahip güçlü bir araçtır ve önümüzdeki yıllarda makine öğreniminin daha da önemli bir parçası haline gelmesi muhtemeldir.