A Supervised Machine Learning Algorithms: Applications, Challenges, and Recommendations
Creators
- 1. Southeast University
- 2. Kohat University of Science and Technology
Description
Machine Learning (ML) is an advanced technology that empowers systems to acquire knowledge autonomously, eliminating the need for explicit programming. The fundamental objective of the machine learning paradigm is to equip computers with the ability to learn independently without human intervention. In the literature, categorization in data mining has received a lot of traction, with applications ranging from health to astronomy and finance to textual classification. The three learning methodologies in machine learning are supervised, unsupervised, and semi-supervised. Humans must give the appropriate input and output and offer feedback on the prediction accuracy throughout the training phase for supervised algorithms. Unsupervised learning methods differ from supervised learning methods because they do not require any training. However, supervised learning methods are more accessible to implement than unsupervised learning methods. This study looks at supervised learning algorithms commonly employed in data classification. The strategies are evaluated based on their objective, methodology, benefits, and drawbacks. It is anticipated that readers will be able to understand the supervised machine learning techniques for data classification.
Translated Descriptions
Translated Description (Arabic)
التعلم الآلي (ML) هو تقنية متقدمة تمكن الأنظمة من اكتساب المعرفة بشكل مستقل، مما يلغي الحاجة إلى البرمجة الصريحة. الهدف الأساسي من نموذج التعلم الآلي هو تزويد أجهزة الكمبيوتر بالقدرة على التعلم بشكل مستقل دون تدخل بشري. في الأدبيات، تلقى التصنيف في استخراج البيانات الكثير من الاهتمام، مع تطبيقات تتراوح من الصحة إلى علم الفلك والتمويل إلى التصنيف النصي. تخضع منهجيات التعلم الثلاث في التعلم الآلي للإشراف وغير الخاضع للإشراف وشبه الخاضع للإشراف. يجب على البشر تقديم المدخلات والمخرجات المناسبة وتقديم ملاحظات حول دقة التنبؤ طوال مرحلة التدريب للخوارزميات الخاضعة للإشراف. تختلف طرق التعلم غير الخاضعة للإشراف عن طرق التعلم الخاضعة للإشراف لأنها لا تتطلب أي تدريب. ومع ذلك، فإن طرق التعلم الخاضعة للإشراف يسهل تنفيذها أكثر من طرق التعلم غير الخاضعة للإشراف. تبحث هذه الدراسة في خوارزميات التعلم الخاضعة للإشراف المستخدمة بشكل شائع في تصنيف البيانات. يتم تقييم الاستراتيجيات بناءً على هدفها ومنهجيتها وفوائدها وعيوبها. من المتوقع أن يتمكن القراء من فهم تقنيات التعلم الآلي الخاضعة للإشراف لتصنيف البيانات.Translated Description (French)
Le Machine Learning (ML) est une technologie avancée qui permet aux systèmes d'acquérir des connaissances de manière autonome, éliminant ainsi le besoin de programmation explicite. L'objectif fondamental du paradigme de l'apprentissage automatique est de doter les ordinateurs de la capacité d'apprendre de manière autonome sans intervention humaine. Dans la littérature, la catégorisation dans l'exploration de données a reçu beaucoup de traction, avec des applications allant de la santé à l'astronomie et de la finance à la classification textuelle. Les trois méthodologies d'apprentissage en apprentissage automatique sont supervisées, non supervisées et semi-supervisées. Les humains doivent donner l'entrée et la sortie appropriées et offrir un retour sur la précision de la prédiction tout au long de la phase de formation pour les algorithmes supervisés. Les méthodes d'apprentissage non supervisées diffèrent des méthodes d'apprentissage supervisées car elles ne nécessitent aucune formation. Cependant, les méthodes d'apprentissage supervisé sont plus accessibles à mettre en œuvre que les méthodes d'apprentissage non supervisé. Cette étude examine les algorithmes d'apprentissage supervisé couramment utilisés dans la classification des données. Les stratégies sont évaluées en fonction de leur objectif, de leur méthodologie, de leurs avantages et de leurs inconvénients. On s'attend à ce que les lecteurs soient en mesure de comprendre les techniques d'apprentissage automatique supervisé pour la classification des données.Translated Description (Spanish)
Machine Learning (ML) es una tecnología avanzada que permite a los sistemas adquirir conocimientos de forma autónoma, eliminando la necesidad de programación explícita. El objetivo fundamental del paradigma de aprendizaje automático es equipar a los ordenadores con la capacidad de aprender de forma independiente sin intervención humana. En la literatura, la categorización en la minería de datos ha recibido mucha tracción, con aplicaciones que van desde la salud hasta la astronomía y las finanzas hasta la clasificación textual. Las tres metodologías de aprendizaje en el aprendizaje automático son supervisadas, no supervisadas y semi-supervisadas. Los seres humanos deben dar la entrada y salida apropiadas y ofrecer retroalimentación sobre la precisión de la predicción a lo largo de la fase de entrenamiento para algoritmos supervisados. Los métodos de aprendizaje no supervisado difieren de los métodos de aprendizaje supervisado porque no requieren ninguna capacitación. Sin embargo, los métodos de aprendizaje supervisado son más accesibles de implementar que los métodos de aprendizaje no supervisado. Este estudio analiza los algoritmos de aprendizaje supervisado comúnmente empleados en la clasificación de datos. Las estrategias se evalúan en función de su objetivo, metodología, beneficios e inconvenientes. Se prevé que los lectores podrán comprender las técnicas de aprendizaje automático supervisado para la clasificación de datos.Additional details
Additional titles
- Translated title (Arabic)
- خوارزميات التعلم الآلي الخاضعة للإشراف: التطبيقات والتحديات والتوصيات
- Translated title (French)
- Algorithmes d'apprentissage automatique supervisés : applications, défis et recommandations
- Translated title (Spanish)
- Algoritmos de aprendizaje automático supervisado: aplicaciones, desafíos y recomendaciones
Identifiers
- Other
- https://openalex.org/W4390062853
- DOI
- 10.53560/ppasa(60-4)831