Techniki uczenia się bez nadzoru

Podstawowy pomysł

Algorytmy uczenia się bez nadzoru szukają wzorców w danych nieetykietowanych, nie korzystając z ustanionych kategorii lub etykiet.

Te algorytmy wykrywają naturalne struktury i relacje w samych danych, odkrywając ukryte grupowania i powiązania.

Metryki odległości: pomiary podobieństwa

Odległość euklidesowa daje miarę separacji prostej linii między punktami danych – w podstawie to, jak daleko są one od siebie w terminach wartości numerycznej.

Ta metryka jest szczególnie przydatna przy pracy z zestawami danych, gdzie odległości między punktami reprezentują znaczące relacje, takie jak algorytmy grupowania.

demo na żywo · powiązana symulacja● LIVE

Podobieństwo kosinusowe: kierunek ma znaczenie

Podobieństwo kosinusowe mierzy kąt między dwiema wektorami, wskazując na to, jak dobrze są one zorientowane w tym samym kierunku, a nie ich wielkości.

To szczególnie przydatne w analizie tekstu i systemach poleceń, gdzie istotne jest współdzielone pojęcia, a nie wartości numeryczne.

Często zadawane pytania

Czym jest uczenie niestrukturowane?

Uczenie niestrukturowane to rodzaj uczenia maszynowego, w którym algorytm naucza się wzorców na podstawie danych nieetykietowanych bez żadnej jasno zdefiniowanej kierownicy lub nadzoru. Jest to jak pozwolenie komputerowi do samodzielnego eksplorowania i odkrywania relacji.

Jak działa odległość euklidesowa?

Odległość euklidesowa oblicza prostopadłą odległość między dwiema punktami, dodając kwadraty różnic ich współrzędnych i wzięwiając pierwiastek z tej sumy. Mniejsza odległość oznacza większą podobieństwo między punktami.

Dlaczego cosinusowa podobność jest przydatna w analizie tekstu?

Podobność cosinusowa mierzy kąt między dwiema wektorami reprezentującymi słowa lub dokumenty, zwracając uwagę na podobnośc semantyczną opartą o kierunek, a nie na wielkość. Pomaga to skutecznie rozpoznać treści powiązane.

Wypróbuj na żywo

Wszystko powyżej działa bezpośrednio w Twojej przeglądarce — otwórz Hash Function Avalanche Visualizer i zmieniaj parametry podczas działania. Nic nie jest instalowane ani przesyłane na serwer, cały model działa w jednej karcie.

▶ Otwórz symulację Hash Function Avalanche Visualizer