Î:
De ce învățarea semi-supravegheată este un model util pentru învățarea automată?
A:Învățarea semi-supravegheată este o parte importantă a proceselor de învățare automată și învățare profundă, deoarece extinde și îmbunătățește capacitățile sistemelor de învățare automată în moduri semnificative.
În primul rând, în industria națională de învățare a mașinilor, a apărut două modele pentru calculatoarele de instruire: Acestea se numesc învățare supravegheată și nesupravegheată. Ele sunt fundamental diferite în sensul că învățarea supravegheată implică utilizarea de date etichetate pentru a deduce un rezultat, iar învățarea nesupravegheată presupune extrapolarea de la datele neelasticate prin examinarea proprietăților fiecărui obiect dintr-un set de date de instruire.
| Descărcare gratuită: învățarea mașinii și de ce contează |
Experții explică acest lucru folosind mai multe exemple diferite: dacă obiectele din setul de instruire sunt fructe sau forme colorate sau conturi de clienți, obișnuirea în învățarea supravegheată este că tehnologia începe să știe care sunt acele obiecte - clasificările primare au fost deja făcute . În schimb, în învățarea nesupravegheată, tehnologia privește obiecte deocamdată nedefinite și le clasifică în funcție de propria utilizare a criteriilor. Aceasta este uneori denumită „învățare de sine”.
Aceasta este, apoi, utilitatea principală a învățării semi-supravegheate: combină utilizarea datelor etichetate cu cele nerefăcute pentru a obține „cel mai bun dintre ambele” abordări.
Învățarea supravegheată oferă tehnologiei mai multă direcție de la care trebuie să plece, dar poate fi costisitoare, intensiv în muncă, obositoare și necesită mult mai mult efort. Învățarea nesupravegheată este mai "automatizată", dar rezultatele pot fi mult mai puțin precise.
Așadar, în utilizarea unui set de date etichetate (adesea, un set mai mic în schema mare a lucrurilor), o abordare de învățare semi-supravegheată „determină” sistemul să clasifice mai bine. De exemplu, să presupunem că un sistem de învățare automată încearcă să identifice 100 de articole în conformitate cu criterii binare (negru vs. alb). Poate fi extrem de util doar să ai o singură instanță etichetată a fiecăruia (unul alb, unul negru) și apoi să regrupezi elementele „gri” rămase în funcție de criteriile corespunzătoare. De îndată ce aceste două elemente sunt etichetate, învățarea nesupravegheată devine învățare semi-supravegheată.
În direcția învățării semi-supravegheate, inginerii se uită îndeaproape la limitele decizionale care influențează sistemele de învățare a mașinilor pentru a se clasifica în raport cu unul sau altul rezultat etichetat atunci când evaluează datele fără marcaj. Ei se vor gândi cum să folosească cel mai bine învățarea semi-supravegheată în orice implementare: De exemplu, un algoritm de învățare semi-supravegheat poate „înfășura” un algoritm de nesupunere existent pentru o abordare „unu-doi”.
Învățarea semi-supravegheată ca fenomen este sigur că va împinge frontierele învățării automate, deoarece deschide tot felul de noi posibilități pentru sisteme de învățare automată mai eficiente și mai eficiente.
