Hva er forskjellen på overvåket og ikke-overvåket læring?

Forskjellen mellom overvåket og ikke-overvåket læring handler mest om hvordan algoritmen lærer av dataene. I overvåket læring får algoritmen eksempler der svaret allerede er kjent. Da trener du for eksempel en datamodell ved å vise den mange e-poster som enten er merket som "søppelpost" eller "ikke søppelpost". Modellen lærer å kjenne igjen mønstre og prøve å forutsi svar på nye e-poster.

I ikke-overvåket læring derimot, får algoritmen ingen fasitsvar. Den skal selv finne strukturer eller grupper i dataene. Det kan for eksempel være å se på haugevis av kundedata og prøve å oppdage ulike kundegrupper, uten å vite på forhånd hva som skiller dem.

Overvåket læring brukes ofte i oppgaver som å gjenkjenne bilder, oversette språk eller forutsi om et lån blir tilbakebetalt. Ikke-overvåket brukes hvis du har masse data, men ikke vet hvordan det bør organiseres, som ved å finne mønstre i nettverk eller segmentere kunder i ulike grupper.

Noen ganger kombineres de, slik at vi først grupperer med ikke-overvåket metode, og så trener en overvåket modell. Dette gir mange muligheter innen alt fra markedsføring til personlig tilpasning av tjenester.