Sade anlatım
Denetimli öğrenme, cevap anahtarıyla çalışmaktır: işte on bin geçmiş kredi başvurusu ve her birinin geri ödenip ödenmediği; şimdi sıradakini tahmin et. Denetimsiz öğrenme ise elinize bir kutu karışık fotoğraf verilip benzerleri bir araya koymanızın istenmesidir; yığınların ne olacağını kimse söylemez. İlki, adını koyduğunuz bir şeyi tahmin etmeyi öğrenir. İkincisi, adını koymadığınız örüntüleri gösterir.
Neden önemli
Seçimi veriniz ve sorunuz yapar. Neyin tahmin edileceğini tam olarak söyleyebiliyorsanız ve sonucu bilinen geçmiş vakalarınız varsa, denetimli öğrenme ölçülebilir bir doğruluk verir; etiketleme maliyetini de beraberinde getirir. Veriniz bol ama etiketsizse, denetimsiz yöntemler segmentler, aykırı değerler ve temalar bulur; ancak çıktıları bir insanın yorumlaması gereken birer öneridir, çünkü karşılaştırılacak bir cevap anahtarı yoktur. Birçok proje, güvenilir etiketi olmayan bir veriyle denetimli bir sonuç vaat edildiği için tıkanır.
Örnek
Bir telekom operatörünün elinde 2 milyon müşterinin kayıtları var. Kimin ayrılacağını tahmin etmek için, her müşterinin “kaldı” ya da “ayrıldı” diye işaretlendiği 18 aylık geçmişle bir model eğitiyor: denetimli öğrenme. Yeni tarifeler tasarlamak için ise bir algoritmadan, hiçbir kategori vermeden müşterileri kullanıma göre gruplamasını istiyor. Altı segment çıkıyor; birini pazarlamada kimse fark etmemişti: denetimsiz öğrenme.
Bununla en çok karıştırılan kavram
Denetimli, denetimsiz ve öz-denetimli öğrenme arasındaki fark
Öz-denetimli öğrenme dil modellerinin ön eğitim yöntemidir ve ikisinin arasında durur. Denetimsiz öğrenmedeki gibi, hiçbir şeyi bir insan etiketlemez. Yine de model, denetimli öğrenmedeki gibi, bilinen bir yanıtı tahmin etmek üzere eğitilir: gerçek bir cümlenin sıradaki kelimesi gizlenir ve etiket olarak kullanılır. Metin bu yolla kendi kendini etiketler; internetin büyük bir bölümüyle eğitimi mümkün kılan da budur.
Teknik katman
Denetimli görevler: sınıflandırma (bir kategori) ve regresyon (bir sayı). Tipik algoritmalar: lojistik regresyon, gradient boosting ağaçları ve sinir ağları; başarı, ayrılmış etiketli veride doğruluk, kesinlik ve duyarlılık gibi ölçülerle değerlendirilir. Denetimsiz görevler: kümeleme (k-means, hiyerarşik yöntemler), boyut indirgeme (temel bileşenler analizi), anomali tespiti ve konu keşfi; değerlendirme dolaylıdır, uzman incelemesine ya da sonraki adımdaki yararına dayanır. İkisinin arasında: az sayıda etiketi çok miktarda etiketsiz veriyle birleştiren yarı denetimli öğrenme ve eğitim sinyalinin verinin kendisinden kurulduğu öz-denetimli öğrenme; sonraki token tahmini, maskelenmiş kelime tahmini ve görüntülerde karşılaştırmalı (contrastive) yöntemler bunun örnekleridir. Güncel bir dil modeli bunların birkaçından geçer: öz-denetimli ön eğitim, örnek gösterimlerle denetimli fine-tuning ve geri bildirimle pekiştirmeli öğrenme. Üçüncü klasik paradigma olan pekiştirmeli öğrenme ödülden öğrenir; sabit bir yanıt veri kümesi yoktur.