Q:
Proč je učení pod dohledem užitečným modelem strojového učení?
A:Učení částečně kontrolované je důležitou součástí procesů strojového učení a hlubokého učení, protože významně rozšiřuje a zvyšuje schopnosti systémů strojového učení.
Za prvé, v dnešním rozvíjejícím se strojovém strojovém učení se objevily dva modely pro trénink počítačů: Tyto se nazývají učení pod dohledem a bez dozoru. Zásadně se liší v tom, že supervidované učení zahrnuje použití označených dat k odvození výsledku a učení bez dozoru zahrnuje extrapolaci z neoznačených dat prostřednictvím zkoumání vlastností každého objektu v sadě tréninkových dat.
| Zdarma ke stažení: Strojové učení a proč to záleží |
Odborníci to vysvětlují pomocí mnoha různých příkladů: Ať už jsou objekty v tréninkové sadě ovoce nebo barevné tvary nebo klientské účty, běžnou praxí v supervidovaném učení je to, že technologie začíná vědět, jaké jsou tyto objekty - primární klasifikace již byly provedeny . Naproti tomu v učení bez dozoru se technologie dívá na dosud nedefinované položky a klasifikuje je podle vlastního použití kritérií. Tomu se někdy říká „samoučení“.
Jedná se tedy o primární utilitu učení pod dohledem: Kombinuje použití označených a neznačených dat k získání přístupu „nejlepší z obou“.
Dozorované učení dává technice více směru, ze kterého se lze odchýlit, ale může to být nákladné, náročné na práci, únavné a vyžaduje mnohem více úsilí. Neupozorněné učení je více „automatizované“, ale výsledky mohou být mnohem méně přesné.
Takže při použití sady označených dat (často menší sady ve velkém schématu věcí), částečně dohlížený přístup k učení efektivně „připraví“ systém k lepší klasifikaci. Předpokládejme například, že systém strojového učení se snaží identifikovat 100 položek podle binárních kritérií (černá vs. bílá). Může být velmi užitečné mít pouze jednu označenou instanci každé (jednu bílou, jednu černou) a pak zbývající „šedé“ položky seskupit podle toho, které kritérium je nejlepší. Jakmile jsou však tyto dvě položky označeny, stane se učení bez dozoru poloa supervizovaným učením.
Při řízení částečně kontrolovaného učení inženýři pozorně sledují hranice rozhodování, které ovlivňují systémy strojového učení, aby při hodnocení neznačených dat klasifikovaly směrem k jednomu nebo druhému označenému výsledku. Budou přemýšlet o tom, jak co nejlépe využít semi-supervidované učení v jakékoli implementaci: Například, semi-supervedovaný algoritmus učení může „ovinout“ existující neoddělovací algoritmus pro přístup „one-two“.
Učení částečně kontrolované jako fenomén jistě posouvá hranice strojového učení kupředu, protože otevírá nejrůznější nové možnosti pro efektivnější a efektivnější systémy strojového učení.
