Q:
Prečo je učenie s polovičným dohľadom užitočným modelom strojového učenia?
A:Výučba čiastočne kontrolovaná je dôležitou súčasťou procesov strojového učenia a hlbokého učenia, pretože významným spôsobom rozširuje a rozširuje schopnosti systémov strojového učenia.
Po prvé, v dnešnom vznikajúcom strojovom vzdelávacom priemysle sa objavili dva modely odbornej prípravy počítačov: Tieto sa nazývajú učenie pod dohľadom a bez dozoru. Zásadne sa líšia v tom, že učenie pod dohľadom zahŕňa použitie označených údajov na odvodenie výsledku a učenie bez dozoru zahŕňa extrapoláciu z neznačených údajov prostredníctvom preskúmania vlastností každého objektu v súbore údajov o školení.
| Zdarma na stiahnutie: Strojové učenie a prečo na tom záleží |
Odborníci to vysvetľujú pomocou mnohých rôznych príkladov: Či už sú objekty v tréningovej skupine ovocie alebo farebné tvary alebo klientske účty, spoločným znakom v učení sa pod dohľadom je to, že technológia začína vedieť, čo sú tieto objekty - prvotné klasifikácie už boli vykonané, Naproti tomu v učení bez dozoru sa technológia zameriava na doteraz nedefinované položky a klasifikuje ich podľa vlastného použitia kritérií. Toto sa niekedy označuje ako „samoštúdium“.
Toto je teda primárna pomôcka výučby s polovičným dohľadom: kombinuje použitie označených a neoznačených údajov na získanie prístupu „najlepšie z oboch“.
Dozorované učenie dáva techniku viac smeru, z ktorého je možné vychádzať, ale môže to byť nákladné, náročné na pracovnú silu, únavné a vyžaduje oveľa viac úsilia. Učenie bez dozoru je viac „automatizované“, ale výsledky môžu byť oveľa menej presné.
Takže pri použití súboru označených údajov (často menšieho súboru v hlavnej schéme vecí), prístup založený na semi-supervised learning účinne "pripraví" systém na lepšiu klasifikáciu. Predpokladajme napríklad, že systém strojového učenia sa snaží identifikovať 100 položiek podľa binárnych kritérií (čierna verzus biela). Môže byť veľmi užitočné mať vždy jednu označenú inštanciu každej (jednu bielu, jednu čiernu) a potom zoskupiť zostávajúce „sivé“ položky podľa toho, ktoré kritérium je najlepšie. Ihneď po označení týchto dvoch položiek sa však učenie bez dozoru stáva učením s polovičným dohľadom.
Pri riadení učenia, ktoré je pod dohľadom, inžinieri pozorne sledujú hranice rozhodovania, ktoré ovplyvňujú systémy strojového učenia sa pri hodnotení neoznačených údajov klasifikovať smerom k jednému alebo druhému označenému výsledku. Budú premýšľať o tom, ako čo najlepšie využiť semi-supervizovaný výučbu v akejkoľvek implementácii: Napríklad, semi-supervedovaný výučbový algoritmus môže „zabaliť“ existujúci neoddeliteľný algoritmus pre prístup „one-two“.
Učenie čiastočne kontrolované ako fenomén určite posunie hranice strojového učenia vpred, pretože otvára všetky druhy nových možností pre účinnejšie a efektívnejšie systémy strojového učenia.
