Czym różnią się zadania uczenia nadzorowanego i nienadzorowanego?

Uczenie nadzorowane i nienadzorowane to dwa główne typy uczenia maszynowego.

• Uczenie nadzorowane: model jest trenowany na danych oznaczonych, gdzie każdemu wejściu odpowiada poprawna odpowiedź (etykieta). Celem jest nauczyć się przewidywać etykiety dla nowych danych. Przykład: klasyfikacja e-maili na spam i nie-spam.

• Uczenie nienadzorowane: model pracuje z danymi nieoznakowanymi, próbując znaleźć w nich ukryte struktury lub wzorce bez wcześniej znanych odpowiedzi. Przykład: grupowanie klientów według zachowania.

Kluczowa różnica to obecność lub brak etykiet w danych treningowych.