یادگیری با ناظر در مقابل یادگیری بدون ناظر

به تکنیک هایی که از ورودی و خروجی های نمونه که از قبل نتیجه صحیح آن را میدانیم برای یادگیری استفاده می کنند روش های یادگیری با ناظر می گویند. ما روش های یادگیری با ناظر بسیاری را در این کتاب بررسی خواهیم کرد، مانند، شبکه های عصبی، درخت تصمیم، ماشین پشتیبان بردار، و فیلتر های بیزی. برنامه های کاربردی که از این روش برای یاد گیری استفاده می کنند یک مجموعه ورودی که قبلا خروجی آن را می دانند به برنامه می دهند و بررسی می کنند که آیا برنامه خروجی مورد انتظار را به آنها می دهد یا خیر. وقتی ما میخواهیم که اطلاعات را با استفاده از این روش ها استخراج کنیم، ما یک مجموعه ورودی می دهیم و انتظار داریم که برنامه خروجی یکسانی براساس آنچه که تا کنون آموخته به ما بدهد.

دسته بندی یک روش از یادگیری بدون ناظر است. برخلاف شبکه های عصبی و درخت تصمیم، الگوریتم های یادگیری بدون ناظر توسط مثال هایی با پاسخ صحیح یاد داده نشده اند.

هدف آنها پیدا کردن ساختاری در یک مجموعه داده است، در اینجا یک قسمت از داده ها پاسخ نیست. در مثال مد لباس که قبلتر گفته شد، دسته ها به خرده فروشان نمی گویند که مردم چه چیزی را دوست دارند، یا اینکه تخمین بزنند که کدام خرده فروشی برای یک شخص جدید مناسب است. هدف از الگوریتم های دسته بندی این است که یک مجموعه داده ها را برداریم و یک گروه مشخص که درون آن است را پیدا کنیم. از شیوه های دیگر یادگیری بدون ناظر می توان فاکتور گیری غیر منفی ماتریس که در فصل ۱۰ بحث می شود و نقشه های خود سازمانده را نام برد.