Supervised learning (original) (raw)

About DBpedia

Dins l'aprenentatge automàtic i la mineria de dades, l'aprenentatge supervisat és una tècnica per deduir una funció a partir de dades d'entrenament. Les dades d'entrenament consisteixen en parells d'objectes, sovint vectors, on una component són les dades d'entrada i l'altre correspon als resultats desitjats. La sortida de la funció pot ésser un valor numèric, en el cas de problemes de regressió, o bé una etiqueta de classe, com en els problemes de classificació. L'objectiu de l'aprenentatge supervisat és crear una funció capaç de preveure el valor corresponent a qualsevol objecte d'entrada vàlid després d'haver vist una sèrie d'exemples, les dades d'entrenament. Per això, s'ha de generalitzar a partir de les dades presentades a situacions no vistes anteriorment.

Property Value
dbo:abstract Dins l'aprenentatge automàtic i la mineria de dades, l'aprenentatge supervisat és una tècnica per deduir una funció a partir de dades d'entrenament. Les dades d'entrenament consisteixen en parells d'objectes, sovint vectors, on una component són les dades d'entrada i l'altre correspon als resultats desitjats. La sortida de la funció pot ésser un valor numèric, en el cas de problemes de regressió, o bé una etiqueta de classe, com en els problemes de classificació. L'objectiu de l'aprenentatge supervisat és crear una funció capaç de preveure el valor corresponent a qualsevol objecte d'entrada vàlid després d'haver vist una sèrie d'exemples, les dades d'entrenament. Per això, s'ha de generalitzar a partir de les dades presentades a situacions no vistes anteriorment. (ca) Η Επιβλεπόμενη μάθηση είναι μία κατηγορία μηχανικής μάθησης, στόχος της οποίας είναι ο χαρακτηρισμός δεδομένων με βάση κάποια δεδομένα εκπαίδευσης. Τα αποτελούνται από ένα σύνολο παραδειγμάτων τα οποία χρησιμοποιούνται για εκπαίδευση μοντέλων. Στην επιβλεπόμενη μάθηση, κάθε παράδειγμα αποτελείται από ένα σύνολο εισόδου (συνήθως ένα διάνυσμα από χαρακτηριστικά) και μια επιθυμητή τιμή εξόδου. Οι Αλγόριθμοι επιβλεπόμενης μάθησης αναλύουν τα δεδομένα εκπαίδευσης και παράγουν ένα μοντέλο το οποίο μπορεί να χρησιμοποιηθεί για να χαρακτηρίσει νέα παραδείγματα. Το βέλτιστο σενάριο επιτρέπει στον αλγόριθμο να καθορίσει σωστά την ετικέτα της κατηγορίας για άγνωστα μέχρι τώρα παραδείγματα. Για να επιτευχθεί αυτό, απαιτείται ο αλγόριθμος μάθησης να γενικεύει από τα δεδομένα εκπαίδευσης σε αθέατες καταστάσεις με ένα "λογικό" τρόπο. (el) التعلم بالإشراف أو التعلم الاستقرائي هو منهج في تعلم الآلة يقوم باستنتاج تابع من مجموعة بيانات تدريبية موسومة labeled training data. تتكون بيانات التدريب من مجموعة من الأمثلة الواقعية (مثل بيانات مريض في المستشفى، قيمة الأسهم في البورصة إلخ). في التعلم تحت إشراف كل عينة تمثل شيء على أرض الواقع وتتكون زوج بيانات دخل وخرج تكون مدخلات (عادة متجه) والمطلوب التنبوء بقيمة الخرج (يسمى أيضا العلامة الإشرافية).خوارزمية التعلم بالاشراف تحلل بيانات التدريب وو ينتج تابع الاستدلال الذي يستخدم في تعيين الأمثلة الجديدة. السيناريو الأمثل تسمح خوارزمية لتحديد فئات العينات الغير مرئية (الجديدة تماما والتي لم تستخدم في مرحلة التدريب) بشكل صحيح. وهذا يتطلب تعميم خوارزمية التعلم باستخدام بيانات التدريب على العينات الجديدة حالات بطريقة «مقبولة» (انظر الاستقرائي التحيز). الوظيفة الموازية في علم نفس الإنسان والحيوان غالبا ما يشار إليها بمفهوم التعلم. (ar) Überwachtes Lernen ist ein Teilgebiet des maschinellen Lernens. Mit Lernen ist dabei die Fähigkeit einer künstlichen Intelligenz gemeint, Gesetzmäßigkeiten nachzubilden. Die Ergebnisse sind durch Naturgesetze oder Expertenwissen bekannt und werden benutzt, um das System anzulernen. Ein Lernalgorithmus versucht, eine Hypothese zu finden, die möglichst zielsichere Voraussagen trifft. Unter Hypothese ist dabei eine Abbildung zu verstehen, die jedem Eingabewert den vermuteten Ausgabewert zuordnet. Die Methode richtet sich also nach einer im Vorhinein festgelegten zu lernenden Ausgabe, deren Ergebnisse bekannt sind. Die Ergebnisse des Lernprozesses können mit den bekannten, richtigen Ergebnissen verglichen, also „überwacht“, werden. Liegen die Ergebnisse der Ausgabe in einer stetigen Verteilung vor, deren Ergebnisse beliebige quantitative Werte eines vorgegebenen Wertebereiches annehmen kann, spricht man meistens von einem Regressionsproblem. Ein Beispiel für ein solches Regressionsproblem ist die Vorhersage der Preisentwicklung von Häusern auf Basis von bestimmten Variablen oder das Bestimmen des Alters einer Person aus anderen Informationen über die Person. Es geht demnach meistens um Vorhersagen. Liegen die Ergebnisse hingegen in diskreter Form vor bzw. sind die Werte qualitativ, spricht man von einem Klassifikationsproblem. Ein Beispiel hierfür ist, zu bestimmen, ob es sich bei einer E-Mail um Spam oder keinen Spam handelt. Dieser folgende Artikel beschreibt das Vorgehen bei der Implementierung von überwachtem Lernen und stellt einige Methoden zur Lösung von Regressionsproblemen respektive zur Lösung von Klassifikationsproblemen vor. (de) En aprendizaje automático y minería de datos, el aprendizaje supervisado es una técnica para deducir una función a partir de datos de entrenamiento. Los datos de entrenamiento consisten de pares de objetos (normalmente vectores): una componente del par son los datos de entrada y el otro, los resultados deseados. La salida de la función puede ser un valor numérico (como en los problemas de regresión) o una etiqueta de clase (como en los de clasificación). El objetivo del aprendizaje supervisado es el de crear una función capaz de predecir el valor correspondiente a cualquier objeto de entrada válida después de haber visto una serie de ejemplos, los datos de entrenamiento. Para ello, tiene que generalizar a partir de los datos presentados a las situaciones no vistas previamente. En esto difiere del aprendizaje no supervisado. (es) L'apprentissage supervisé (supervised learning en anglais) est une tâche d'apprentissage automatique consistant à apprendre une fonction de prédiction à partir d'exemples annotés, au contraire de l'apprentissage non supervisé. On distingue les problèmes de régression des problèmes de classement. Ainsi, on considère que les problèmes de prédiction d'une variable quantitative sont des problèmes de régression tandis que les problèmes de prédiction d'une variable qualitative sont des problèmes de classification. Les exemples annotés constituent une base d'apprentissage, et la fonction de prédiction apprise peut aussi être appelée « hypothèse » ou « modèle ». On suppose cette base d'apprentissage représentative d'une population d'échantillons plus large et le but des méthodes d'apprentissage supervisé est de bien généraliser, c'est-à-dire d'apprendre une fonction qui fasse des prédictions correctes sur des données non présentes dans l'ensemble d'apprentissage. (fr) Dalam pembelajaran terarah (bahasa Inggris: supervised learning), seseorang dapat melatih mesin dengan menggunakan data yang "diberi label". Artinya beberapa data sudah diberi label dengan jawaban yang benar. Ini dapat dibandingkan dengan pembelajaran yang berlangsung di hadapan pengawas atau guru. Algoritma pembelajaran yang terarah dapat mempelajari pola tersembunyi dari data pelatihan yang telah berlabel, hal ini akan membantu kita memprediksi hasil untuk data yang belum pernah dipelajari sebelumnya. Untuk dapat berhasil membangun, mengatur, dan menerapkan model mesin pembelajar yang terarah dengan akurasi tinggi, dibutuhkan waktu dan keahlian teknis dari tim peneliti-data (data scientist) yang sangat terampil. Selain itu, para peneliti data sebaiknya harus mampu membangun kembali model untuk memastikan prediksi yang dihasilkan tetap benar walaupun datanya berganti. Pembelajaran terarah memungkinkan kita untuk mengumpulkan data atau menghasilkan keluaran data berdasarkan dari pengalaman sebelumnya. Hal ini dapat membantu mengoptimalkan kriteria kinerja berdasarkan pengalaman mesin. Pembelajaran terarah juga dapat membantu memecahkan berbagai jenis masalah komputasi dunia nyata. Pada tahun 2006, Caruana, Rich mempublikasikan hasil penelitiannya mengenai perbandingan secara empiris pemelajaran terarah dengan adanya Proyek Statlog di tahun 90-an. Mereka membandingakan beberapa pemelajaran terarah seperti Support Vector Machine (SVM), Jaringan Syaraf Tiruan (Neural Nets), regresi logistik, naive bayes, pemelajaran berbasis memori, Hutan Acak (Random Forest), Decision Tree (Pohon Keputusan), Bagged Trees, Boosted Trees dan Boosted Stumps. Mereka melakukan pengujian performa terhadap efek kalibrasi model melalui Platt Scaling dan Regresi Isotonik. Hal yang perlu diangkat dari kary mereka adalah penggunaan berbagai macam kriteria pengujian performa mesin pemelajar. (in) Supervised learning (SL) is a machine learning paradigm for problems where the available data consists of labelled examples, meaning that each data point contains features (covariates) and an associated label. The goal of supervised learning algorithms is learning a function that maps feature vectors (inputs) to labels (output), based on example input-output pairs. It infers a function from labeled training data consisting of a set of training examples. In supervised learning, each example is a pair consisting of an input object (typically a vector) and a desired output value (also called the supervisory signal). A supervised learning algorithm analyzes the training data and produces an inferred function, which can be used for mapping new examples. An optimal scenario will allow for the algorithm to correctly determine the class labels for unseen instances. This requires the learning algorithm to generalize from the training data to unseen situations in a "reasonable" way (see inductive bias). This statistical quality of an algorithm is measured through the so-called generalization error. (en) L'apprendimento supervisionato è una tecnica di apprendimento automatico che mira a istruire un sistema informatico in modo da consentirgli di elaborare automaticamente previsioni sui valori di uscita di un sistema rispetto ad un input sulla base di una serie di esempi ideali, costituiti da coppie di input e di output, che gli vengono inizialmente forniti. Algoritmi di apprendimento supervisionato possono essere utilizzati nei più disparati settori. Degli esempi riguardano il campo medico in cui si può prevedere lo scatenarsi di particolari crisi sulla base dell'esperienza di passati dati biometrici, l'identificazione vocale che migliora sulla base degli ascolti audio passati, l'identificazione della scrittura manuale che si perfeziona sulle osservazioni degli esempi sottoposti dall'utente. (it) 教師あり学習（きょうしありがくしゅう, 英: Supervised learning）とは、機械学習の手法の一つである。事前に与えられたデータをいわば「例題（＝先生からの助言）」とみなして、それをガイドに学習（＝データへの何らかのフィッティング）を行うところからこの名がある。 典型的なものとして分類問題と回帰問題がある。たとえば最も簡単な分類問題である二値分類問題では、訓練データ（例題）が、典型的にはベクトルとラベルの組として、 のように与えられる。ここで、 は0または1の2値を取るラベルで、 は 番目のデータの座標を表す。そして「学習」とは、これらのデータに何らかの基準でもっとも合う関数関係 を求めることである。回帰問題でもほぼ同様で、違いは が離散値の代わりに実数値を取るということである。 このような関数関係が求められれば、未知のデータ にそれを適用して、予言 を与えることができる。分類問題であればこれを分類器、回帰問題であればこれを回帰曲線などと称する。 (ja) 지도 학습 (Supervised Learning)은 훈련 데이터(Training Data)로부터 하나의 함수를 유추해내기 위한 기계 학습(Machine Learning)의 한 방법이다. 훈련 데이터는 일반적으로 입력 객체에 대한 속성을 벡터 형태로 포함하고 있으며 각각의 벡터에 대해 원하는 결과가 무엇인지 표시되어 있다. 이렇게 유추된 함수 중 연속적인 값을 출력하는 것을 회귀분석(Regression)이라 하고 주어진 입력 벡터가 어떤 종류의 값인지 표식하는 것을 분류(Classification)라 한다. 지도 학습기(Supervised Learner)가 하는 작업은 훈련 데이터로부터 주어진 데이터에 대해 예측하고자 하는 값을 올바로 추측해내는 것이다. 이 목표를 달성하기 위해서는 학습기가 "알맞은" 방법을 통하여 기존의 훈련 데이터로부터 나타나지 않던 상황까지도 일반화하여 처리할 수 있어야 한다. 사람과 동물에 대응하는 심리학으로는 (Concept Learning)을 예로 들 수 있다. (ko) Uczenie nadzorowane – uczenie maszynowe, które zakłada obecność ludzkiego nadzoru nad tworzeniem funkcji odwzorowującej wejście systemu na jego wyjście. Nadzór polega na stworzeniu zestawu danych uczących, czyli par: 1. * wejściowy obiekt uczący (np. wektor); 2. * pożądana przez nadzorcę (nauczyciela) odpowiedź (np. jakaś konkretna wartość liczbowa). Zadaniem systemu jest nauczenie się przewidywania prawidłowej odpowiedzi na zadane pobudzenie oraz generalizacja przypadków wyuczonych na przypadki, z którymi system jeszcze się nie zetknął.Do modelowania procesów technicznych zwykle wykorzystuje się uczenie nadzorowane. (pl) O aprendizado supervisionado é a tarefa de aprendizado de máquina que consiste em aprender uma função que mapeia uma entrada para uma saída com base em pares de entrada-saída de exemplo. Ele infere uma função a partir de rotulados consistindo de um conjunto de exemplos de treinamento. No aprendizado supervisionado, cada exemplo é um par que consiste em um objeto de entrada (normalmente um vetor) e um valor de saída desejado (também chamado de sinal de supervisão). Um algoritmo de aprendizado supervisionado analisa os dados de treinamento e produz uma função inferida, que pode ser usada para mapear novos exemplos. Um cenário ideal permitirá que o algoritmo determine corretamente os rótulos de classe para instâncias não vistas. Isso requer que o algoritmo de aprendizagem generalize a partir dos dados de treinamento para situações invisíveis de uma forma "razoável" (ver ). Essa qualidade estatística de um algoritmo é medida por meio do chamado . A tarefa paralela na psicologia humana e animal é frequentemente chamada de . (pt) Обуче́ние с учи́телем (англ. Supervised learning) — один из способов машинного обучения, в ходе которого испытуемая система принудительно обучается с помощью примеров «стимул-реакция». С точки зрения кибернетики, является одним из видов кибернетического эксперимента. Между входами и эталонными выходами (стимул-реакция) может существовать некоторая зависимость, но она неизвестна. Известна только конечная совокупность прецедентов — пар «стимул-реакция», называемая обучающей выборкой. На основе этих данных требуется восстановить зависимость (построить модель отношений стимул-реакция, пригодных для прогнозирования), то есть построить алгоритм, способный для любого объекта выдать достаточно точный ответ. Для измерения точности ответов, так же как и в обучении на примерах, может вводиться функционал качества. (ru) 監督學習（英語：Supervised learning），又叫有监督学习，监督式学习，是機器學習的一種方法，可以由訓練資料中學到或建立一個模式（函數 / learning model），並依此模式推測新的实例。訓練資料是由輸入物件（通常是向量）和預期輸出所組成。函數的輸出可以是一個連續的值（稱為迴歸分析），或是預測一個分類標籤（稱作分類）。 一個監督式學習者的任務在觀察完一些事先標記過的訓練範例（輸入和預期輸出）後，去預測這個函數對任何可能出現的輸入的输出。要達到此目的，學習者必須以"合理"（見歸納偏向）的方式從現有的資料中一般化到非觀察到的情況。在人類和動物感知中，則通常被稱為（concept learning）。 (zh) Навчання з учителем, контрольоване або кероване навчання (англ. Supervised learning) — один зі способів машинного навчання, в ході якого випробувана система примусово навчається за допомогою наявної множини прикладів «стимул-реакція» з метою визначення «реакції» для «стимулів», які не належать до наявної множини прикладів. З точки зору кібернетики, є одним із видів кібернетичного експерименту. (uk)
dbo:wikiPageExternalLink http://www.mloss.org/
dbo:wikiPageID 20926 (xsd:integer)
dbo:wikiPageLength 22599 (xsd:nonNegativeInteger)
dbo:wikiPageRevisionID 1119675310 (xsd:integer)
dbo:wikiPageWikiLink dbr:Case-based_reasoning dbr:Bayesian_statistics dbr:Naive_Bayes_classifier dbr:No_free_lunch_in_search_and_optimization dbr:Proaftn dbr:Probably_approximately_correct_learning dbr:Deterministic_noise dbr:Anomaly_detection dbr:Joint_probability_distribution dbr:Curse_of_dimensionality dbr:Decision_tree dbr:Decision_tree_learning dbr:Downward_causation dbr:Early_stopping dbr:Inductive_bias dbr:Inductive_logic_programming dbr:Information_extraction dbr:Information_retrieval dbr:Structured_prediction dbr:Conditional_probability dbr:Conditional_random_field dbr:Cheminformatics dbr:Generalization_error dbr:Genetic_programming dbr:Norm_(mathematics) dbr:Optical_character_recognition dbr:Quantitative_structure–activity_relationship dbr:Similarity_learning dbr:Optimization_(mathematics) dbr:Generative_model dbr:Cross-validation_(statistics) dbr:Machine_learning dbr:Statistical_significance dbr:Structural_risk_minimization dbr:Computational_learning_theory dbr:Computer_vision dbr:Empirical_risk_minimization dbr:Feature_selection dbr:Pattern_recognition dbr:Spamming dbr:Variable_kernel_density_estimation dbr:Backpropagation dbc:Machine_learning dbr:Training_set dbr:Data_pre-processing dbr:Database_marketing dbr:Feature_vector dbr:Learning_automaton dbr:Learning_classifier_system dbr:Learning_to_rank dbr:Learning_vector_quantization dbr:Linear_discriminant_analysis dbr:Linear_regression dbr:Logistic_regression dbr:Active_learning_(machine_learning) dbr:Euclidean_norm dbr:Dimensionality_reduction dbr:Discriminative_model dbr:Handwriting_recognition dbr:Gaussian_process_regression dbr:Posterior_probability dbr:Procurement dbr:Random_forest dbr:Regularization_(mathematics) dbr:Ripple_down_rules dbr:Speech_recognition dbr:Artificial_neural_network dbr:K-nearest_neighbor_algorithm dbr:Bioinformatics dbr:Support-vector_machine dbr:Support_vector_machine dbr:Ensembles_of_classifiers dbc:Supervised_learning dbr:Group_method_of_data_handling dbr:Minimum_message_length dbr:Nearest_neighbor_(pattern_recognition) dbr:Loss_function dbr:Map_(mathematics) dbr:Maximum_entropy_classifier dbr:Maximum_likelihood dbr:Semi-supervised_learning dbr:Statistical_relational_learning dbr:Unsupervised_learning dbr:Occam's_razor dbr:Multilayer_perceptron dbr:Multilinear_subspace_learning dbr:Weak_supervision dbr:Satellite_imagery dbr:Overfitting dbr:List_of_datasets_for_machine_learning_research dbr:Version_space dbr:Boosting_(meta-algorithm) dbr:Support_Vector_Machines dbr:Target_variable dbr:Ordinal_classification dbr:Handwriting_analysis dbr:Class_membership_probabilities dbr:Independent_and_identically-distributed_random_variables dbr:Joint_probability dbr:Overfitting_(machine_learning)
dbp:wikiPageUsesTemplate dbt:Authority_control dbt:Main dbt:Reflist dbt:See_also dbt:Short_description dbt:Vanchor dbt:Machine_learning dbt:Differentiable_computing
dct:subject dbc:Machine_learning dbc:Supervised_learning
gold:hypernym dbr:Machine
rdf:type owl:Thing dbo:Software
rdfs:comment Dins l'aprenentatge automàtic i la mineria de dades, l'aprenentatge supervisat és una tècnica per deduir una funció a partir de dades d'entrenament. Les dades d'entrenament consisteixen en parells d'objectes, sovint vectors, on una component són les dades d'entrada i l'altre correspon als resultats desitjats. La sortida de la funció pot ésser un valor numèric, en el cas de problemes de regressió, o bé una etiqueta de classe, com en els problemes de classificació. L'objectiu de l'aprenentatge supervisat és crear una funció capaç de preveure el valor corresponent a qualsevol objecte d'entrada vàlid després d'haver vist una sèrie d'exemples, les dades d'entrenament. Per això, s'ha de generalitzar a partir de les dades presentades a situacions no vistes anteriorment. (ca) 教師あり学習（きょうしありがくしゅう, 英: Supervised learning）とは、機械学習の手法の一つである。事前に与えられたデータをいわば「例題（＝先生からの助言）」とみなして、それをガイドに学習（＝データへの何らかのフィッティング）を行うところからこの名がある。 典型的なものとして分類問題と回帰問題がある。たとえば最も簡単な分類問題である二値分類問題では、訓練データ（例題）が、典型的にはベクトルとラベルの組として、 のように与えられる。ここで、 は0または1の2値を取るラベルで、 は 番目のデータの座標を表す。そして「学習」とは、これらのデータに何らかの基準でもっとも合う関数関係 を求めることである。回帰問題でもほぼ同様で、違いは が離散値の代わりに実数値を取るということである。 このような関数関係が求められれば、未知のデータ にそれを適用して、予言 を与えることができる。分類問題であればこれを分類器、回帰問題であればこれを回帰曲線などと称する。 (ja) 지도 학습 (Supervised Learning)은 훈련 데이터(Training Data)로부터 하나의 함수를 유추해내기 위한 기계 학습(Machine Learning)의 한 방법이다. 훈련 데이터는 일반적으로 입력 객체에 대한 속성을 벡터 형태로 포함하고 있으며 각각의 벡터에 대해 원하는 결과가 무엇인지 표시되어 있다. 이렇게 유추된 함수 중 연속적인 값을 출력하는 것을 회귀분석(Regression)이라 하고 주어진 입력 벡터가 어떤 종류의 값인지 표식하는 것을 분류(Classification)라 한다. 지도 학습기(Supervised Learner)가 하는 작업은 훈련 데이터로부터 주어진 데이터에 대해 예측하고자 하는 값을 올바로 추측해내는 것이다. 이 목표를 달성하기 위해서는 학습기가 "알맞은" 방법을 통하여 기존의 훈련 데이터로부터 나타나지 않던 상황까지도 일반화하여 처리할 수 있어야 한다. 사람과 동물에 대응하는 심리학으로는 (Concept Learning)을 예로 들 수 있다. (ko) 監督學習（英語：Supervised learning），又叫有监督学习，监督式学习，是機器學習的一種方法，可以由訓練資料中學到或建立一個模式（函數 / learning model），並依此模式推測新的实例。訓練資料是由輸入物件（通常是向量）和預期輸出所組成。函數的輸出可以是一個連續的值（稱為迴歸分析），或是預測一個分類標籤（稱作分類）。 一個監督式學習者的任務在觀察完一些事先標記過的訓練範例（輸入和預期輸出）後，去預測這個函數對任何可能出現的輸入的输出。要達到此目的，學習者必須以"合理"（見歸納偏向）的方式從現有的資料中一般化到非觀察到的情況。在人類和動物感知中，則通常被稱為（concept learning）。 (zh) Навчання з учителем, контрольоване або кероване навчання (англ. Supervised learning) — один зі способів машинного навчання, в ході якого випробувана система примусово навчається за допомогою наявної множини прикладів «стимул-реакція» з метою визначення «реакції» для «стимулів», які не належать до наявної множини прикладів. З точки зору кібернетики, є одним із видів кібернетичного експерименту. (uk) التعلم بالإشراف أو التعلم الاستقرائي هو منهج في تعلم الآلة يقوم باستنتاج تابع من مجموعة بيانات تدريبية موسومة labeled training data. تتكون بيانات التدريب من مجموعة من الأمثلة الواقعية (مثل بيانات مريض في المستشفى، قيمة الأسهم في البورصة إلخ). في التعلم تحت إشراف كل عينة تمثل شيء على أرض الواقع وتتكون زوج بيانات دخل وخرج تكون مدخلات (عادة متجه) والمطلوب التنبوء بقيمة الخرج (يسمى أيضا العلامة الإشرافية).خوارزمية التعلم بالاشراف تحلل بيانات التدريب وو ينتج تابع الاستدلال الذي يستخدم في تعيين الأمثلة الجديدة. السيناريو الأمثل تسمح خوارزمية لتحديد فئات العينات الغير مرئية (الجديدة تماما والتي لم تستخدم في مرحلة التدريب) بشكل صحيح. وهذا يتطلب تعميم خوارزمية التعلم باستخدام بيانات التدريب على العينات الجديدة حالات بطريقة «مقبولة» (انظر الاستقرائي التحيز). (ar) Η Επιβλεπόμενη μάθηση είναι μία κατηγορία μηχανικής μάθησης, στόχος της οποίας είναι ο χαρακτηρισμός δεδομένων με βάση κάποια δεδομένα εκπαίδευσης. Τα αποτελούνται από ένα σύνολο παραδειγμάτων τα οποία χρησιμοποιούνται για εκπαίδευση μοντέλων. Στην επιβλεπόμενη μάθηση, κάθε παράδειγμα αποτελείται από ένα σύνολο εισόδου (συνήθως ένα διάνυσμα από χαρακτηριστικά) και μια επιθυμητή τιμή εξόδου. Οι Αλγόριθμοι επιβλεπόμενης μάθησης αναλύουν τα δεδομένα εκπαίδευσης και παράγουν ένα μοντέλο το οποίο μπορεί να χρησιμοποιηθεί για να χαρακτηρίσει νέα παραδείγματα. Το βέλτιστο σενάριο επιτρέπει στον αλγόριθμο να καθορίσει σωστά την ετικέτα της κατηγορίας για άγνωστα μέχρι τώρα παραδείγματα. Για να επιτευχθεί αυτό, απαιτείται ο αλγόριθμος μάθησης να γενικεύει από τα δεδομένα εκπαίδευσης σε αθέατες κατ (el) Überwachtes Lernen ist ein Teilgebiet des maschinellen Lernens. Mit Lernen ist dabei die Fähigkeit einer künstlichen Intelligenz gemeint, Gesetzmäßigkeiten nachzubilden. Die Ergebnisse sind durch Naturgesetze oder Expertenwissen bekannt und werden benutzt, um das System anzulernen. Ein Lernalgorithmus versucht, eine Hypothese zu finden, die möglichst zielsichere Voraussagen trifft. Unter Hypothese ist dabei eine Abbildung zu verstehen, die jedem Eingabewert den vermuteten Ausgabewert zuordnet. (de) En aprendizaje automático y minería de datos, el aprendizaje supervisado es una técnica para deducir una función a partir de datos de entrenamiento. Los datos de entrenamiento consisten de pares de objetos (normalmente vectores): una componente del par son los datos de entrada y el otro, los resultados deseados. La salida de la función puede ser un valor numérico (como en los problemas de regresión) o una etiqueta de clase (como en los de clasificación). El objetivo del aprendizaje supervisado es el de crear una función capaz de predecir el valor correspondiente a cualquier objeto de entrada válida después de haber visto una serie de ejemplos, los datos de entrenamiento. Para ello, tiene que generalizar a partir de los datos presentados a las situaciones no vistas previamente. (es) L'apprentissage supervisé (supervised learning en anglais) est une tâche d'apprentissage automatique consistant à apprendre une fonction de prédiction à partir d'exemples annotés, au contraire de l'apprentissage non supervisé. On distingue les problèmes de régression des problèmes de classement. Ainsi, on considère que les problèmes de prédiction d'une variable quantitative sont des problèmes de régression tandis que les problèmes de prédiction d'une variable qualitative sont des problèmes de classification. (fr) Dalam pembelajaran terarah (bahasa Inggris: supervised learning), seseorang dapat melatih mesin dengan menggunakan data yang "diberi label". Artinya beberapa data sudah diberi label dengan jawaban yang benar. Ini dapat dibandingkan dengan pembelajaran yang berlangsung di hadapan pengawas atau guru. Algoritma pembelajaran yang terarah dapat mempelajari pola tersembunyi dari data pelatihan yang telah berlabel, hal ini akan membantu kita memprediksi hasil untuk data yang belum pernah dipelajari sebelumnya. Untuk dapat berhasil membangun, mengatur, dan menerapkan model mesin pembelajar yang terarah dengan akurasi tinggi, dibutuhkan waktu dan keahlian teknis dari tim peneliti-data (data scientist) yang sangat terampil. Selain itu, para peneliti data sebaiknya harus mampu membangun kembali model (in) Supervised learning (SL) is a machine learning paradigm for problems where the available data consists of labelled examples, meaning that each data point contains features (covariates) and an associated label. The goal of supervised learning algorithms is learning a function that maps feature vectors (inputs) to labels (output), based on example input-output pairs. It infers a function from labeled training data consisting of a set of training examples. In supervised learning, each example is a pair consisting of an input object (typically a vector) and a desired output value (also called the supervisory signal). A supervised learning algorithm analyzes the training data and produces an inferred function, which can be used for mapping new examples. An optimal scenario will allow for the al (en) L'apprendimento supervisionato è una tecnica di apprendimento automatico che mira a istruire un sistema informatico in modo da consentirgli di elaborare automaticamente previsioni sui valori di uscita di un sistema rispetto ad un input sulla base di una serie di esempi ideali, costituiti da coppie di input e di output, che gli vengono inizialmente forniti. (it) Uczenie nadzorowane – uczenie maszynowe, które zakłada obecność ludzkiego nadzoru nad tworzeniem funkcji odwzorowującej wejście systemu na jego wyjście. Nadzór polega na stworzeniu zestawu danych uczących, czyli par: 1. * wejściowy obiekt uczący (np. wektor); 2. * pożądana przez nadzorcę (nauczyciela) odpowiedź (np. jakaś konkretna wartość liczbowa). (pl) O aprendizado supervisionado é a tarefa de aprendizado de máquina que consiste em aprender uma função que mapeia uma entrada para uma saída com base em pares de entrada-saída de exemplo. Ele infere uma função a partir de rotulados consistindo de um conjunto de exemplos de treinamento. No aprendizado supervisionado, cada exemplo é um par que consiste em um objeto de entrada (normalmente um vetor) e um valor de saída desejado (também chamado de sinal de supervisão). Um algoritmo de aprendizado supervisionado analisa os dados de treinamento e produz uma função inferida, que pode ser usada para mapear novos exemplos. Um cenário ideal permitirá que o algoritmo determine corretamente os rótulos de classe para instâncias não vistas. Isso requer que o algoritmo de aprendizagem generalize a partir (pt) Обуче́ние с учи́телем (англ. Supervised learning) — один из способов машинного обучения, в ходе которого испытуемая система принудительно обучается с помощью примеров «стимул-реакция». С точки зрения кибернетики, является одним из видов кибернетического эксперимента. Между входами и эталонными выходами (стимул-реакция) может существовать некоторая зависимость, но она неизвестна. Известна только конечная совокупность прецедентов — пар «стимул-реакция», называемая обучающей выборкой. На основе этих данных требуется восстановить зависимость (построить модель отношений стимул-реакция, пригодных для прогнозирования), то есть построить алгоритм, способный для любого объекта выдать достаточно точный ответ. Для измерения точности ответов, так же как и в обучении на примерах, может вводиться функци (ru)
rdfs:label Supervised learning (en) تعلم مراقب (ar) Aprenentatge supervisat (ca) Učení s učitelem (cs) Überwachtes Lernen (de) Επιβλεπόμενη μάθηση (el) Aprendizaje supervisado (es) Apprentissage supervisé (fr) Pemelajaran terarah (in) Apprendimento supervisionato (it) 教師あり学習 (ja) 지도 학습 (ko) Uczenie nadzorowane (pl) Aprendizagem supervisionada (pt) Обучение с учителем (ru) 监督学习 (zh) Навчання з учителем (uk)
rdfs:seeAlso dbr:Unsupervised_learning
owl:sameAs freebase:Supervised learning wikidata:Supervised learning dbpedia-ar:Supervised learning http://bn.dbpedia.org/resource/তত্ত্বাবধানাধীন_শিখন dbpedia-ca:Supervised learning http://ckb.dbpedia.org/resource/فێربوونی_چاودێریکراو dbpedia-cs:Supervised learning dbpedia-da:Supervised learning dbpedia-de:Supervised learning dbpedia-el:Supervised learning dbpedia-es:Supervised learning dbpedia-et:Supervised learning dbpedia-fa:Supervised learning dbpedia-fi:Supervised learning dbpedia-fr:Supervised learning dbpedia-he:Supervised learning http://hy.dbpedia.org/resource/Վերահսկվող_ուսուցում dbpedia-id:Supervised learning dbpedia-it:Supervised learning dbpedia-ja:Supervised learning dbpedia-ko:Supervised learning dbpedia-mr:Supervised learning http://or.dbpedia.org/resource/ସୁପରଭାଇଜଡ_ଲର୍ଣ୍ଣିଙ୍ଗ୍ dbpedia-pl:Supervised learning dbpedia-pt:Supervised learning dbpedia-ru:Supervised learning dbpedia-simple:Supervised learning dbpedia-th:Supervised learning dbpedia-tr:Supervised learning dbpedia-uk:Supervised learning dbpedia-vi:Supervised learning dbpedia-zh:Supervised learning https://global.dbpedia.org/id/35Wtf
prov:wasDerivedFrom wikipedia-en:Supervised_learning?oldid=1119675310&ns=0
foaf:isPrimaryTopicOf wikipedia-en:Supervised_learning
is dbo:wikiPageRedirects of dbr:Generative_training dbr:Applications_of_supervised_learning dbr:Fully-supervised_machine_learning dbr:Supervised_Machine_Learning dbr:Supervised_classification dbr:Supervised_machine_learning dbr:Algorithms_for_supervised_learning
is dbo:wikiPageWikiLink of dbr:Amiga_productivity_software dbr:Enigma_(company) dbr:Ensemble_learning dbr:Entity_linking dbr:List_of_algorithms dbr:List_of_datasets_for_machine-learning_research dbr:Natural_language_processing dbr:Neighbourhood_components_analysis dbr:MANIC_(cognitive_architecture) dbr:Metalearning_(neuroscience) dbr:Time_series dbr:Proaftn dbr:Bayesian_interpretation_of_kernel_regularization dbr:Biostatistics dbr:DeepMind dbr:Deterministic_noise dbr:Algorithmic_technique dbr:Almeida–Pineda_recurrent_backpropagation dbr:Anomaly_detection dbr:Apprenticeship_learning dbr:Bias–variance_tradeoff dbr:Vanishing_gradient_problem dbr:Vectra_AI dbr:VoTT dbr:Deep_Blue_(chess_computer) dbr:Deep_belief_network dbr:Deep_learning dbr:Deep_reinforcement_learning dbr:Dependent_and_independent_variables dbr:Downward_causation dbr:Incremental_learning dbr:Information_engineering_(field) dbr:Information_extraction dbr:Information_fuzzy_networks dbr:Structured_prediction dbr:Preference_learning dbr:Complexity_index dbr:Computer_Vision_Annotation_Tool dbr:Corinna_Cortes dbr:GemIdent dbr:Generalization_error dbr:Generative_adversarial_network dbr:Online_machine_learning dbr:Similarity_learning dbr:Classic_monolingual_word-sense_disambiguation dbr:Climate_TRACE dbr:Cognitive_neuroscience dbr:GPT-2 dbr:Generative_training dbr:Glossary_of_artificial_intelligence dbr:Conformal_prediction dbr:Confusion_matrix dbr:Eric_Brill dbr:Aphelion_(software) dbr:Leela_Chess_Zero dbr:Machine_learning dbr:Commonsense_reasoning dbr:Complexity dbr:Computational_biology dbr:Computational_learning_theory dbr:Computational_neurogenetic_modeling dbr:Computer_chess dbr:Emotion_recognition_in_conversation dbr:Empirical_risk_minimization dbr:Fault_detection_and_isolation dbr:Feature_learning dbr:Function_approximation dbr:Pattern_recognition dbr:Programming_by_demonstration dbr:Stability_(learning_theory) dbr:Backpropagation dbr:Bruno_Zamborlin dbr:Action_model_learning dbr:Adaptive_resonance_theory dbr:Cerebellum dbr:Transfer_learning dbr:Document_classification dbr:Domain_adaptation dbr:Gail_Carpenter dbr:K-means_clustering dbr:Large_margin_nearest_neighbor dbr:Leakage_(machine_learning) dbr:Learning_classifier_system dbr:Learning_rule dbr:Learning_to_rank dbr:Learning_vector_quantization dbr:Least-squares_support_vector_machine dbr:Linear_classifier dbr:Linear_regression dbr:Link_analysis dbr:Logistic_model_tree dbr:Nonlinear_system_identification dbr:Explainable_artificial_intelligence dbr:FastText dbr:Brill_tagger dbr:Numbers_(season_4) dbr:Capsule_neural_network dbr:Cellular_deconvolution dbr:Differentiable_neural_computer dbr:Discriminative_model dbr:Flow_cytometry_bioinformatics dbr:Gradient_boosting dbr:History_of_natural_language_processing dbr:Isotonic_regression dbr:Profiling_(information_science) dbr:Quantification_(machine_learning) dbr:Rectifier_(neural_networks) dbr:Reinforcement_learning dbr:Restricted_Boltzmann_machine dbr:Internet_of_things dbr:Bag-of-words_model dbr:TensorFlow dbr:One-class_classification dbr:Artificial_intelligence dbr:Artificial_neural_network dbr:K-nearest_neighbors_algorithm dbr:KXEN_Inc. dbr:Kernel_perceptron dbr:Binary_classification dbr:Binning_(metagenomics) dbr:Biomedical_text_mining dbr:Support_vector_machine dbr:Membrane_topology dbr:Transduction_(machine_learning) dbr:Transformer_(machine_learning_model) dbr:Text_nailing dbr:Distance_matrix dbr:Document_clustering dbr:Associative_classifier dbr:Audio_mining dbr:Automated_essay_scoring dbr:Automatic_acquisition_of_sense-tagged_corpora dbr:Automatic_image_annotation dbr:BELBIC dbr:Marathi_language dbr:Boosting_(machine_learning) dbr:Applications_of_supervised_learning dbr:IPO_underpricing_algorithm dbr:Neuroevolution dbr:OpenAI dbr:Orange_(software) dbr:Categorization dbr:Social_bot dbr:SSVM dbr:Soft_independent_modelling_of_class_analogies dbr:Word-sense_disambiguation dbr:NeuroSolutions dbr:Siamese_neural_network dbr:Toponym_resolution dbr:Factorial_code dbr:Statistical_learning_theory dbr:Unsupervised_learning dbr:OpenNN dbr:Rprop dbr:Training,_validation,_and_test_data_sets dbr:Evaluation_function dbr:Evolutionary_algorithm dbr:Gibbs_sampling dbr:MammaPrint dbr:Manifold_alignment dbr:Manifold_regularization dbr:Named-entity_recognition dbr:Natural_computing dbr:Synthetic_media dbr:Mouse_tracking dbr:Multilayer_perceptron dbr:Multiple_instance_learning dbr:Self-supervised_learning dbr:Weak_supervision dbr:SemEval dbr:Online_content_analysis dbr:Outline_of_artificial_intelligence dbr:Outline_of_machine_learning dbr:Outline_of_natural_language_processing dbr:Paris_Kanellakis_Award dbr:University_of_California,_Institute_for_Prediction_Technology dbr:Types_of_artificial_neural_networks dbr:Truth_discovery dbr:Variational_autoencoder dbr:Tensor_network dbr:Fully-supervised_machine_learning dbr:Supervised_Machine_Learning dbr:Supervised_classification dbr:Supervised_machine_learning dbr:Algorithms_for_supervised_learning
is rdfs:seeAlso of dbr:Unsupervised_learning
is foaf:primaryTopic of wikipedia-en:Supervised_learning