Q:
Почему полууправляемое обучение является полезной моделью для машинного обучения?
A:Обучение под наблюдением - важная часть процессов машинного обучения и глубокого обучения, потому что оно значительно расширяет и расширяет возможности систем машинного обучения.
Во-первых, в сегодняшней зарождающейся индустрии машинного обучения появились две модели для обучения компьютеров: они называются обучением под наблюдением и без присмотра. Они принципиально отличаются тем, что контролируемое обучение включает использование помеченных данных для вывода результата, а неконтролируемое обучение включает экстраполяцию немеченых данных путем изучения свойств каждого объекта в наборе обучающих данных.
| Скачать бесплатно: машинное обучение и почему это важно |
Эксперты объясняют это с помощью множества различных примеров: независимо от того, являются ли объекты в обучающем наборе фруктами, цветными фигурами или учетными записями клиентов, общность в контролируемом обучении заключается в том, что технология начинает понимать, что это за объекты - первичные классификации уже сделаны., В обучении без учителя, напротив, технология рассматривает еще не определенные элементы и классифицирует их в соответствии со своими собственными критериями. Это иногда называют «самообучением».
Таким образом, в этом заключается основная полезность обучения под наблюдением: оно сочетает использование помеченных и немаркированных данных для получения «наилучшего из обоих» подходов.
Контролируемое обучение дает технологии больше возможностей для развития, но оно может быть дорогостоящим, трудоемким, утомительным и требовать гораздо больших усилий. Обучение без учителя более «автоматизировано», но результаты могут быть гораздо менее точными.
Таким образом, при использовании набора помеченных данных (часто меньшего набора в общей схеме вещей) подход к обучению под наблюдением эффективно «заправляет» систему для лучшей классификации. Например, предположим, что система машинного обучения пытается идентифицировать 100 предметов в соответствии с двоичными критериями (черный против белого). Это может быть чрезвычайно полезно просто иметь один маркированный экземпляр каждого (один белый, один черный), а затем кластеризовать оставшиеся «серые» элементы в соответствии с тем, какой критерий является наилучшим. Однако, как только эти два предмета будут помечены, неконтролируемое обучение становится обучением под наблюдением.
Руководя обучением с полууправляемым обучением, инженеры внимательно следят за границами принятия решений, которые влияют на системы машинного обучения, чтобы классифицировать те или иные маркированные результаты при оценке немаркированных данных. Они подумают о том, как наилучшим образом использовать полууправляемое обучение в любой реализации: например, алгоритм полууправляемого обучения может «обернуть» существующий алгоритм «недоуправления» для подхода «один-два».
Обучаемое обучение под присмотром как явление, безусловно, расширяет границы машинного обучения, так как оно открывает всевозможные новые возможности для более эффективных и более эффективных систем машинного обучения.
