Навчання з учителем і без учителя: у чому різниця

Коли говорять про машинне навчання, найчастіше мають на увазі один із двох підходів: навчання з учителем або без учителя. Різниця між ними фундаментальна й визначає, які задачі можна розвʼязати та які дані для цього потрібні.

Навчання з учителем

У навчанні з учителем (supervised learning) кожен приклад у даних має правильну відповідь, яку називають міткою (label). Модель бачить пари «вхід — відповідь» і вчиться відтворювати цей звʼязок.

Уявіть, що ви показуєте дитині сотні фотографій і кажете: «це кіт», «це собака», «це знову кіт». Через деякий час вона починає розпізнавати тварин самостійно. Саме так працює навчання з учителем: «учителем» виступають правильні мітки в даних.

Цей підхід розвʼязує дві великі групи задач:

• Класифікація — коли відповідь належить до однієї з категорій. Спам чи не спам, хворий чи здоровий, який саме товар на фото.
• Регресія — коли відповідь є числом. Прогноз ціни квартири, температури на завтра чи виторгу магазину.

Головна вимога — розмічені дані. І це водночас найбільший виклик: розмітка часто дорога й потребує людської праці.

Навчання без учителя

У навчанні без учителя (unsupervised learning) правильних відповідей немає взагалі. Є лише дані, а завдання алгоритму — самостійно знайти в них структуру чи закономірності.

Повертаючись до аналогії: це ніби дати дитині купу фотографій різних тварин, нічого не пояснюючи, і попросити розкласти їх на групи схожих. Вона не знатиме назв, але цілком може відокремити пухнастих від лускатих.

Типові задачі цього підходу:

• Кластеризація — групування схожих обʼєктів. Наприклад, сегментація клієнтів за поведінкою для маркетингу.
• Зменшення розмірності — стиснення багатьох ознак до кількох найважливіших, щоб дані було легше візуалізувати чи обробляти.
• Пошук аномалій — виявлення обʼєктів, що вибиваються із загальної маси, наприклад підозрілих транзакцій.

Як обрати підхід

Вибір залежить насамперед від того, які дані у вас є та яке питання ви ставите.

Якщо у вас є розмічені приклади й ви хочете прогнозувати конкретну величину чи категорію — це навчання з учителем. Якщо міток немає, а ви хочете зрозуміти структуру даних, знайти групи чи незвичні випадки — це навчання без учителя.

На практиці підходи часто поєднують. Наприклад, спершу за допомогою кластеризації розбивають клієнтів на сегменти, а потім будують окремі прогнозні моделі для кожного сегмента.

Проміжний варіант

Існує й напівкероване навчання (semi-supervised), коли розмічена лише невелика частина даних, а решта — ні. Це компроміс: розмітка дорога, тож використовують кілька тисяч розмічених прикладів разом із мільйонами нерозмічених, щоб отримати непогану якість без величезних витрат.

Підсумок

Навчання з учителем працює тоді, коли є правильні відповіді, і розвʼязує задачі класифікації та регресії. Навчання без учителя обходиться без міток і шукає приховану структуру — кластери, аномалії, головні ознаки. Розуміння цієї різниці — перший крок до того, щоб правильно ставити задачу й обирати відповідний інструмент, адже помилка на цьому етапі зробить марною будь-яку, навіть найскладнішу, модель.