Katere so glavne vrste strojnega učenja?

Question

Accepted Answer

Strojno učenje ima tri glavne vrste — **nadzirano učenje** (učenje iz označenih primerov), **nenadzirano učenje** (iskanje vzorcev v neoznačenih podatkih) in **učenje s posiljenjem** (učenje skozi poskuse in nagrade). Razumevanje teh vrst pojasni, kako se pristopi strojnega učenja ukvarjajo z različnimi problemi.

## Tri glavne vrste

```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
```

## Izbira vrste

```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)
```

## Zakaj je to pomembno

Razumevanje glavnih vrst strojnega učenja je temeljno, ker predstavljajo **fundamentalne načine, kako se pristopi strojnega učenja ukvarjajo s problemi**, zato je razumevanje teh vrst osnovna pismenost s področja strojnega učenja.

Tri glavne vrste so primerne za različne probleme in podatke.

Razumevanje **nadziranega učenja** (učenje iz označenih podatkov, kjer imajo vhodi znane pravilne izhode, za napovedovanje izhodov novih vhodov, uporabljeno za klasifikacijo in regresijo — najpogostejša vrsta v praksi, npr. zaznavanje neželene pošte in napovedovanje cen) je najpomembnejše za razumevanje, ker je osnova večine praktičnih aplikacij strojnega učenja.

Razumevanje **nenadziranega učenja** (iskanje vzorcev v neoznačenih podatkih brez podanih odgovorov, odkrivanje strukture in skupin, uporabljeno za razvrščanje v gruče, zmanjšanje dimenzionalnosti in odkrivanje anomalij, npr. segmentacija strank) pojasni, kako strojno učenje encuentra vzorce brez oznak.

Razumevanje **učenja s posiljenjem** (učenje skozi poskuse in napake s nagradami, kjer agent izvaja dejanja in se uči, da maksimira nagrado, uporabljeno za igranje iger, robotiko in nadzor) pojasni pristop učenja, ki temelji na interakciji.

Razumevanje **kako izbrati** — nadzirano, ko imate označene podatke in želite napovedovati, nenadzirano za iskanje strukture v neoznačenih podatkih, učenje s posiljenjem za agente, ki se učijo iz interakcije — in da obstajajo hibridni pristopi (pol-nadzirano, samo-nadzirano, pri velikih jezikovnih modelih se uporablja samo-nadzirano učenje) odraža praktično razumevanje pristopov strojnega učenja.

Te vrste so temeljne kategorije načina, kako se strojno učenje uči, in razumevanje teh je bistvenega pomena za razpravo in uporabo strojnega učenja.

Ker glavne vrste strojnega učenja (nadzirano, nenadzirano, učenje s posiljenjem) predstavljajo fundamentalne načine, kako se pristopi strojnega učenja ukvarjajo s problemi, in ker je razumevanje teh in kdaj se vsaka uporablja osnovna pismenost s področja strojnega učenja, je razumevanje glavnih vrst strojnega učenja bistveno, temeljno znanje — temeljne kategorije strojnega učenja (učenje iz oznak, iskanje vzorcev, učenje iz nagrad), osnovna pismenost s področja strojnega učenja za razumevanje, kako se pristopi strojnega učenja ukvarjajo z različnimi problemi, in temelj za delo s strojnim učenjem ali razpravo o njem.