Unsupervised Learning
Unsupervised Learning یا یادگیری بدون ناظر نیازی به نظارت برالگوریتم نداریم. در عوض ، به الگوریتم اجازه می دهیم تا به تنهایی برای کشف الگوها و اطلاعاتی که قبلاً کشف نشده بودند کار کند، در اینجا عمدتا با داده های بدون برچسب سروکار داریم.در این نوع یادگیری فقط دسته بندی مهم است و الگوریتم در داده ها باید به دنبال ساختار خاص بگردد. برخی از رایج ترین الگوریتمهای مورد استفاده در این یادگیری عبارتند از:خوشه بندی، تشخیص ناهنجاری،شبکههای عصبی و همچنین مدلهای متغیر پنهان هم وجود دارند.
خوشه بندی
خوشه بندی یک نوع Unsupervised Learning یا یادگیری بدون ناظر است که داده های بدون برچسب را بر اساس صفات مشترک آنها به چندین خوشه طبقه بندی می کند. تنظیمات پارامتر وابسته به تنظیم مجموعه دادهها توسط فرد یا استفاده خاص فرد از نتایج است. تجزیه و تحلیل خوشه یک فرایند تکراری از کشف دانش یا بهینهسازی چند هدفه تعاملی که متشکل از آزمایش و شکست است . اغلب لازمه نتایج دلخواه ، دادههای پیش پردازش شده و پارامترهای مدل اصلاح شوند است.
تشخیص ناهنجاری
تشخیص ناهنجاری بخشی از Unsupervised Learning یا یادگیری بدون ناظر شده است که به تشخیص رفتار داده های غیر نرمال از داده های نرمال در یک مجموعه داده می پردازد و دورافتادگی، تغییر، انحراف، تعجب، نابجایی، صفات عجیب، نفوذ و غیره ارجاع میشوند.فنون ناهنجاری عبارتند از: فنون تشخیص ناهنجاری بدون ناظر، فنون تشخیص ناهنجاری با ناظر، فنون تشخیص ناهنجاری نیمه نظارتی.
شبکه های عصبی مصنوعی
Unsupervised Learning یا یادگیری بدون ناظر که برپایه شبکههای عصبی مصنوعی نوعی سیستم و روش محاسباتی نوین است برای پیش بینی پاسخ های خروجی یک سیستم پیچیده تر که با کمک یادگیری ماشین، نمایش دانش و در انتها اعمال دانش عمل می کند.این شبکه الهام گرفته از شیوه عملکرد سیستم عصبی زیستی است تا داده ها و اطلاعات را به منظور یادگیری و ایجاد دانش پردازش کند.این سیستم متشکل شده از نورون هایی است که این نورون ها برای حل یک مسئله با هم هماهنگ می شوند و با کمک سیناپس ها اطلاعات را منتقل می کنند.
Covariance یا کواریانس:
معادله کوواريانس برای تعیین جهت رابطه بین دو متغیر به عبارت دیگر، چه تمایل به حرکت در جهت های یکسان یا مخالف داشته باشند، استفاده می شود. این رابطه با علامت (مثبت یا منفی) مقدار کواريانس تعیین می گردد. در واقع Covariance یا کواريانس مثبت بین دو متغیر نشان می دهد که این متغیرها در یک زمان تمایل به بالاتر یا پایین تر بودن ارتباط بین شان دارند. به عبارت دیگر، یک کواريانس مثبت بین متغیرهای x و y نشان می دهد که x در همان زمان هایی که y بالاتر از میانگین است، بالاتر از میانگین است و برعکس این موضوع هم صدق می کند.
محاسبه کواریانس
هنگامی که Covariance یا کواريانس محاسبه شده کمتر از صفر باشد، این نشان می دهد که دو متغیر رابطه معکوس دارند. به عبارت دیگر یک مقدار x که پایین تر از میانگین است تمایل دارد که با y که بیشتر از میانگین است جفت شود و برعکس.
