Q:
Hvorfor er semi-veiledet læring en nyttig modell for maskinlæring?
EN:Semi-veiledet læring er en viktig del av maskinlæring og dype læringsprosesser, fordi den utvider og forbedrer mulighetene til maskinlæringssystemer på betydelige måter.
For det første, i dagens fremadstormende maskinlæringsindustri har det dukket opp to modeller for opplæring av datamaskiner: Disse kalles overvåket og uten tilsyn. De er grunnleggende forskjellige ved at veiledet læring innebærer å bruke merkede data for å utlede et resultat, og uovervåket læring innebærer ekstrapolering fra umerkede data gjennom å undersøke egenskapene til hvert objekt i et treningsdatasett.
| Gratis nedlasting: Machine Learning og Why It Matters |
Eksperter forklarer dette ved å bruke mange forskjellige eksempler: Enten objektene i treningssettet er frukt eller fargede former eller klientkontoer, er det vanlig at læring er under veiledning at teknologien begynner å vite hva disse objektene er - de primære klassifiseringene er allerede gjort . I uovervåket læring, derimot, ser teknologien på elementer som ennå ikke er definert og klassifiserer dem etter sin egen bruk av kriterier. Dette blir noen ganger referert til som "selvlæring."
Dette er da den viktigste bruken av halvveiledet læring: Den kombinerer bruk av merkede og umerkede data for å få "det beste fra begge" tilnærminger.
Veiledet læring gir teknologien mer retning å gå fra, men det kan være kostbart, arbeidskrevende, kjedelig og kreve mye mer krefter. Uovervåket læring er mer "automatisert", men resultatene kan være mye mindre nøyaktige.
Så ved å bruke et sett med merkede data (ofte et mindre sett i den store tingenes ordning), "semi-overvåket læring" tilnærming "effektivt" systemet for å klassifisere bedre. Anta for eksempel at et maskinlæringssystem prøver å identifisere 100 elementer i henhold til binære kriterier (svart kontra hvitt). Det kan være ekstremt nyttig bare å ha en merket forekomst av hver (en hvit, en svart) og deretter klynge de gjenværende "grå" elementene i henhold til hvilke kriterier som er best. Så snart disse to elementene er merket, blir imidlertid uovervåket læring halvkontrollert læring.
I ledelse av semi-veiledet læring, ser ingeniører nøye på beslutningsgrensene som påvirker maskinlæringssystemer til å klassifisere mot det ene eller det andre merkede resultatet når de evaluerer umerkede data. De vil tenke på hvordan de best kan bruke halvkontrollert læring i enhver implementering: For eksempel kan en halvkontrollert læringsalgoritme "vikle seg rundt" en eksisterende unsup-algoritme for en "en-to" tilnærming.
Semi-veiledet læring som et fenomen er sikker på å skyve grensene for maskinlæring fremover, da det åpner for alle mulige nye muligheter for mer effektive og mer effektive maskinlæringssystemer.
