Q:
Hvorfor er semi-overvåget læring en nyttig model til maskinlæring?
EN:Semi-overvåget læring er en vigtig del af maskinlæring og dybe indlæringsprocesser, fordi det udvider og forbedrer maskinlæringssystemers muligheder på væsentlige måder.
For det første er der i nutidens fremadskridende maskinindlæringsbranche to modeller til uddannelse af computere: Disse kaldes overvåget og uovervåget læring. De er grundlæggende forskellige, idet overvåget læring involverer at bruge mærkede data for at udlede et resultat, og uovervåget læring involverer ekstrapolering fra umærkede data ved at undersøge egenskaberne for hvert objekt i et træningsdatasæt.
| Gratis download: Machine Learning og Why It Matters |
Eksperter forklarer dette ved hjælp af mange forskellige eksempler: Uanset om objekterne i træningssættet er frugter eller farvede figurer eller klientkonti, er det almindelige i overvåget læring, at teknologien begynder at vide, hvad disse objekter er - de primære klassifikationer er allerede foretaget . I uovervåget læring, derimod, ser teknologien på objekter, der endnu ikke er defineret, og klassificerer dem efter dens egen brug af kriterier. Dette kaldes undertiden som "selvlæring."
Dette er den primære nytte af semi-overvåget læring: Det kombinerer brugen af mærkede og umærkede data for at få "det bedste fra begge" tilgange.
Overvåget læring giver teknikken mere retning at gå fra, men det kan være dyrt, arbejdskrævende, kedelig og kræve meget mere kræfter. Uovervåget læring er mere "automatiseret", men resultaterne kan være meget mindre nøjagtige.
Så ved at bruge et sæt mærkede data (ofte et mindre sæt i den store tingenes ordning) "primerer" en semi-overvåget læringsmetode systemet for at klassificere bedre. Antag f.eks., At et maskinindlæringssystem prøver at identificere 100 elementer i henhold til binære kriterier (sort vs. hvid). Det kan være yderst nyttigt bare at have et mærket eksempel på hver (en hvid, en sort) og derefter klynge de resterende "grå" emner i henhold til hvilke kriterier der er bedst. Så snart disse to emner er mærket, bliver uovervåget læring dog semi-overvåget læring.
Ved ledelse af semi-overvåget læring ser ingeniører nøje på beslutningsgrænser, der har indflydelse på maskinlæringssystemer til at klassificere mod det ene eller det andet mærkede resultat, når de evaluerer umærkede data. De vil tænke over, hvordan man bedst bruger semi-overvåget læring i enhver implementering: F.eks. Kan en semi-overvåget indlæringsalgoritme "vikle rundt" en eksisterende unsup-algoritme til en "en-to" tilgang.
Semi-overvåget læring som et fænomen er sikker på at skubbe grænserne for maskinlæring fremad, da det åbner for alle mulige nye muligheder for mere effektive og mere effektive maskinlæringssystemer.
