P:
Dlaczego nauka częściowo nadzorowana jest pomocnym modelem uczenia maszynowego?
ZA:Uczenie częściowo nadzorowane jest ważną częścią procesów uczenia maszynowego i uczenia głębokiego, ponieważ w znaczący sposób rozszerza i zwiększa możliwości systemów uczenia maszynowego.
Po pierwsze, w dzisiejszej rodzącej się branży uczenia maszynowego pojawiły się dwa modele komputerów szkoleniowych: nazywane są one uczeniem nadzorowanym i bez nadzoru. Różnią się one zasadniczo tym, że nadzorowane uczenie się polega na wykorzystaniu danych oznaczonych do wnioskowania o wyniku, a uczenie się bez nadzoru obejmuje ekstrapolację danych nieznakowanych poprzez badanie właściwości każdego obiektu w zbiorze danych szkoleniowych.
| Bezpłatne pobieranie: Uczenie maszynowe i dlaczego to ma znaczenie |
Eksperci wyjaśniają to na podstawie wielu różnych przykładów: Bez względu na to, czy przedmioty w zestawie szkoleniowym to owoce, kolorowe kształty, czy konta klientów, powszechność w nadzorowanym uczeniu się polega na tym, że technologia zaczyna się od poznania tych obiektów - podstawowe klasyfikacje zostały już wykonane . Natomiast w uczeniu się bez nadzoru technologia przygląda się elementom jeszcze nieokreślonym i klasyfikuje je według własnych kryteriów. Jest to czasami określane jako „samokształcenie”.
Jest to zatem podstawowa użyteczność częściowo nadzorowanego uczenia się: łączy w sobie wykorzystanie danych oznaczonych i nieznakowanych, aby uzyskać podejście „najlepsze z obu”.
Nadzorowane uczenie się daje technice więcej kierunku, ale może być kosztowne, pracochłonne, żmudne i wymagać znacznie więcej wysiłku. Uczenie się bez nadzoru jest bardziej „zautomatyzowane”, ale wyniki mogą być znacznie mniej dokładne.
Korzystając z zestawu danych oznaczonych (często mniejszego zestawu w wielkim schemacie rzeczy), częściowo nadzorowane podejście do uczenia się skutecznie „przygotowuje” system do lepszej klasyfikacji. Załóżmy na przykład, że system uczenia maszynowego próbuje zidentyfikować 100 pozycji według kryteriów binarnych (czarny vs. biały). Bardzo przydatne może być posiadanie jednego oznaczonego wystąpienia każdego (jednego białego, jednego czarnego), a następnie grupowanie pozostałych „szarych” elementów według dowolnego z najlepszych kryteriów. Jednak gdy tylko te dwie pozycje zostaną oznaczone, nauka bez nadzoru staje się nauką częściowo nadzorowaną.
Kierując częściowo nadzorowanym uczeniem się, inżynierowie uważnie przyglądają się granicom decyzyjnym, które wpływają na systemy uczenia maszynowego, aby klasyfikować je do jednego lub drugiego oznaczonego wyniku podczas oceny danych nieznakowanych. Zastanowią się, jak najlepiej wykorzystać uczenie częściowo nadzorowane w dowolnej implementacji: na przykład algorytm uczenia częściowo nadzorowanego może „owijać” istniejący algorytm niespełniający funkcji podejścia „jeden-dwa”.
Częściowo nadzorowane uczenie się jako zjawisko z pewnością przesunie granice uczenia maszynowego do przodu, ponieważ otwiera wiele nowych możliwości dla bardziej wydajnych i wydajnych systemów uczenia maszynowego.
