Jakie są główne typy uczenia maszynowego?

Question

Accepted Answer

Uczenie maszynowe ma trzy główne typy — **uczenie nadzorowane** (uczenie się na podstawie oznaczonych przykładów), **uczenie nienadzorowane** (wyszukiwanie wzorców w danych bez etykiet) i **uczenie przez wzmacnianie** (uczenie się poprzez próby i nagrody). Zrozumienie ich wyjaśnia, jak podejścia ML rozwiązują różne problemy.

## Trzy główne typy

```text
SUPERVISED LEARNING → learn from LABELED data (input → known correct output):
  → trained on examples with answers → learns to predict outputs for new inputs
  → for: classification (categorize), regression (predict numbers)
  → e.g. spam detection (labeled spam/not-spam), price prediction
UNSUPERVISED LEARNING → find patterns in UNLABELED data (no given answers):
  → discovers structure/groupings on its own
  → for: clustering (group similar items), dimensionality reduction, anomaly detection
  → e.g. customer segmentation, finding patterns
REINFORCEMENT LEARNING → learn through TRIAL and ERROR with REWARDS:
  → an agent takes actions, gets rewards/penalties, learns to maximize reward over time
  → for: game playing, robotics, control, decision-making
```

## Wybór typu

```text
→ have LABELED data + want to predict outputs → SUPERVISED (most common in practice)
→ have unlabeled data + want to find structure → UNSUPERVISED
→ an agent learning from interaction/rewards → REINFORCEMENT
→ (also: semi-supervised, self-supervised — hybrids; LLMs use self-supervised learning)
```

## Dlaczego to ważne

Zrozumienie głównych typów uczenia maszynowego jest fundamentalne, ponieważ reprezentują **podstawowe sposoby, w jakie ML podchodzi do problemów**, więc ich zrozumienie jest podstawową wiedzą z zakresu ML.

Trzy główne typy są odpowiednie dla różnych problemów i danych.

Zrozumienie **uczenia nadzorowanego** (uczenia się z danych oznaczonych, gdzie wejścia mają znane poprawne wyniki, aby przewidywać wyniki dla nowych danych, używane do klasyfikacji i regresji — najczęstszy typ w praktyce, np. wykrywanie spamu i prognozowanie cen) jest najważniejszym typem do zrozumienia, ponieważ stanowi podstawę większości praktycznych aplikacji ML.

Zrozumienie **uczenia nienadzorowanego** (wyszukiwanie wzorców w danych bez etykiet bez podanych odpowiedzi, odkrywanie struktury i grupowań, używane do klastrowania, redukcji wymiarowości i wykrywania anomalii, np. segmentacja klientów) wyjaśnia, jak ML znajduje wzorce bez etykiet.

Zrozumienie **uczenia przez wzmacnianie** (uczenia się poprzez próby i błędy z nagrodami, gdzie agent podejmuje akcje i uczy się maksymalizować nagrodę, używane do gier, robotyki i sterowania) wyjaśnia podejście oparte na interakcji.

Zrozumienie **jak wybrać** — uczenie nadzorowane, gdy masz oznaczone dane i chcesz przewidywać, nienadzorowane do wyszukiwania struktury w danych bez etykiet, wzmacniające dla agentów uczących się z interakcji — oraz że istnieją hybridy (semi-supervised, self-supervised, przy LLM wykorzystujących self-supervised learning) odzwierciedla praktyczne zrozumienie podejść ML.

Te typy są fundamentalnymi kategoriami sposobów, w jakie ML się uczy, i ich zrozumienie jest niezbędne do dyskusji i stosowania ML.

Ponieważ główne typy uczenia maszynowego (nadzorowane, nienadzorowane, wzmacniające) reprezentują fundamentalne sposoby, w jakie ML podchodzi do problemów i zrozumienie ich oraz kiedy każdy z nich ma zastosowanie, jest podstawową wiedzą z zakresu ML, zrozumienie głównych typów uczenia maszynowego jest niezbędną, fundamentalną wiedzą — fundamentalnymi kategoriami ML (uczenie się z etykiet, wyszukiwanie wzorców, uczenie się z nagród), podstawową wiedzą z zakresu ML do zrozumienia, jak ML podchodzi do różnych problemów, i fundamentalnym dla pracy lub dyskusji na temat uczenia maszynowego.