در این مقاله می خواهیم به تفاوت بین یادگیری نظارت‌شده و یادگیری بدون نظارت بپردازیم.

یادگیری نظارت‌شده (Supervised Learning)

مثال: تشخیص میوه‌ها

فرض کنید ما می‌خواهیم یک مدل بسازیم که میوه‌ها را بر اساس ویژگی‌هایشان (مانند رنگ، اندازه، و وزن) تشخیص دهد. برای این کار، یک مجموعه داده شامل میوه‌های مختلف داریم که هر کدام با برچسب مربوطه (مثلاً سیب، موز، پرتقال) مشخص شده‌اند.

1. داده‌های آموزشی:
   • یک جدول داریم که شامل ویژگی‌های میوه‌ها و برچسب‌های آنهاست:
     • سیب: قرمز، کوچک، سبک
     • موز: زرد، متوسط، متوسط
     • پرتقال: نارنجی، متوسط، سنگین
2. هدف:
   • مدل یاد می‌گیرد که با دیدن ویژگی‌های میوه، نوع آن را پیش‌بینی کند.
3. روند کار:
   • مدل با استفاده از این داده‌های برچسب‌دار آموزش می‌بیند. سپس، وقتی یک میوه جدید با ویژگی‌های مشخص به مدل داده می‌شود (مثلاً زرد، متوسط، متوسط)، مدل می‌تواند بگوید که این میوه یک موز است.

یادگیری بدون نظارت (Unsupervised Learning)

مثال: دسته‌بندی میوه‌ها بدون دانستن نوع آنها

فرض کنید ما می‌خواهیم میوه‌ها را به گروه‌های مختلف تقسیم کنیم، اما نمی‌دانیم کدام میوه چه نوعی است. فقط ویژگی‌های آنها را داریم (رنگ، اندازه، وزن).

1. داده‌های آموزشی:
   • یک جدول داریم که فقط شامل ویژگی‌های میوه‌هاست:
     • میوه ۱: قرمز، کوچک، سبک
     • میوه ۲: زرد، متوسط، متوسط
     • میوه ۳: نارنجی، متوسط، سنگین
2. هدف:
   • مدل باید بدون داشتن برچسب، میوه‌ها را به گروه‌هایی با ویژگی‌های مشابه تقسیم کند.
3. روند کار:
   • مدل به طور خودکار میوه‌ها را به سه دسته تقسیم می‌کند:
     • دسته ۱: میوه‌های قرمز و کوچک و سبک (مثل سیب)
     • دسته ۲: میوه‌های زرد و متوسط و متوسط (مثل موز)
     • دسته ۳: میوه‌های نارنجی و متوسط و سنگین (مثل پرتقال)

خلاصه

• یادگیری نظارت‌شده: داده‌ها شامل ویژگی‌ها و برچسب‌های مشخص هستند و مدل یاد می‌گیرد که برچسب‌های جدید را پیش‌بینی کند.
• یادگیری بدون نظارت: داده‌ها فقط شامل ویژگی‌ها هستند و مدل تلاش می‌کند الگوها و گروه‌های مشابه را پیدا کند بدون داشتن برچسب‌های مشخص.

با این مثال‌ها، می‌توانید به راحتی تفاوت‌های اصلی بین این دو روش یادگیری را درک کنید.