V:
Zakaj je učenje s polovičnim nadzorom koristen model za strojno učenje?
A:Učenje pod nadzorom je pomemben del procesov strojnega učenja in globokega učenja, saj na pomemben način širi in izboljšuje zmožnosti sistemov strojnega učenja.
Prvič, v današnji industriji strojnega učenja sta se pojavila dva modela za usposabljanje računalnikov: ti se imenujejo nadzorovano in nenadzorovano učenje. Bistveno se razlikujejo, ker nadzorovano učenje vključuje uporabo označenih podatkov za sklepanje o rezultatu, nenadzorovano učenje pa vključuje ekstrapoliranje iz neoznačenih podatkov s pregledovanjem lastnosti vsakega predmeta v naboru podatkov o vadbi.
| Prosti prenos: Strojno učenje in zakaj je pomembno |
Strokovnjaki to pojasnjujejo s številnimi različnimi primeri: ne glede na to, ali so predmeti v vadbeni garnituri sadje ali barvne oblike ali računi strank, splošnost pri nadzorovanem učenju je, da se tehnologija začne vedeti, kaj so ti predmeti - primarne klasifikacije so že narejene . Nasprotno pa tehnologija pri nenadzorovanem učenju gleda na še nedefinirane elemente in jih razvršča glede na lastno uporabo meril. To včasih imenujemo "samoučenje".
To je torej glavna uporabnost učenja pod nadzorom: Združuje uporabo označenih in neoznačenih podatkov, da bi dobili "najboljše od obeh" pristopov.
Nadzorovano učenje tehnikom omogoča več poti, vendar je lahko drago, delovno intenzivno, mučno in zahteva veliko več truda. Nenadzorovano učenje je bolj "avtomatizirano", vendar so rezultati lahko precej manj natančni.
Torej, pri uporabi nabora označenih podatkov (pogosto manjši niz v veliki shemi stvari) pol-nadzorovan učni pristop učinkovito "pripravi" sistem za boljšo klasifikacijo. Recimo, na primer, da sistem strojnega učenja poskuša prepoznati 100 elementov v skladu z binarnimi merili (črna v beli barvi). Zelo koristno je le, da imamo vsakega označenega primerka vsakega (enega belega, enega črnega) in nato združite preostale "sive" elemente v skladu s kriteriji, ki so najboljši. Takoj, ko sta ti dve predmeti označeni, pa nenadzorovano učenje postane učenje pod nadzorom.
Inženirji pri usmerjanju pol-nadzorovanega učenja natančno pogledajo meje odločanja, ki vplivajo na sisteme strojnega učenja, da se pri ocenjevanju neoznačenih podatkov uvrstijo v enega ali drugega označenega rezultata. Razmišljali bodo o tem, kako najbolje uporabiti pol-nadzorovano učenje pri kateri koli izvedbi: Na primer, pol-nadzorovan algoritem učenja lahko "ovije" obstoječi neodvisni algoritem za pristop "ena dva".
Polnadzorovano učenje kot pojav zagotovo spodbudi meje strojnega učenja naprej, saj odpira vse vrste novih možnosti za učinkovitejše in učinkovitejše sisteme strojnega učenja.
