Q:
Waarom is semi-begeleid leren een nuttig model voor machine learning?
EEN:Semi-begeleid leren is een belangrijk onderdeel van machine learning en diepe leerprocessen, omdat het de mogelijkheden van machine learning-systemen aanzienlijk uitbreidt en verbetert.
Ten eerste zijn er in de opkomende machine learning-industrie twee modellen ontstaan voor het trainen van computers: deze worden supervised en onbewaakt leren genoemd. Ze zijn fundamenteel anders in die zin dat leren onder toezicht het gebruik van gelabelde gegevens omvat om een resultaat af te leiden, en leren zonder toezicht houdt extrapolatie in van niet-gelabelde gegevens door de eigenschappen van elk object in een trainingsdataset te onderzoeken.
| Gratis download: machine learning en waarom het ertoe doet |
Experts verklaren dit aan de hand van veel verschillende voorbeelden: of de objecten in de trainingsset fruit of gekleurde vormen of klantaccounts zijn, de gewoonte bij begeleid leren is dat de technologie begint te weten wat die objecten zijn - de primaire classificaties zijn al gemaakt . In onbewaakt leren daarentegen kijkt de technologie naar nog niet gedefinieerde items en classificeert ze volgens het eigen gebruik van criteria. Dit wordt soms "zelflerend" genoemd.
Dit is dan het primaire nut van semi-begeleid leren: het combineert het gebruik van gelabelde en niet-gelabelde gegevens om "de beste van beide" benaderingen te krijgen.
Begeleid leren geeft de technologie meer richting om uit te gaan, maar het kan kostbaar, arbeidsintensief, vervelend zijn en veel meer inspanning vergen. Leren zonder toezicht is meer 'geautomatiseerd', maar de resultaten kunnen veel minder nauwkeurig zijn.
Dus bij het gebruik van een set gelabelde gegevens (vaak een kleinere set in het algemene schema van dingen), "semi-begeleide" leerbenadering "primeert" het systeem effectief om het beter te classificeren. Stel bijvoorbeeld dat een machine learning-systeem 100 items probeert te identificeren op basis van binaire criteria (zwart versus wit). Het kan uiterst nuttig zijn om slechts één gelabelde instantie van elk (een witte, een zwarte) te hebben en vervolgens de resterende "grijze" items te clusteren volgens welke criteria het beste is. Zodra deze twee items zijn gelabeld, wordt echter zonder toezicht leren semi-begeleid leren.
Bij het aansturen van semi-begeleid leren kijken ingenieurs goed naar beslissingsgrenzen die machine learning-systemen beïnvloeden om te classificeren naar het ene of het andere gelabelde resultaat bij het evalueren van ongelabelde gegevens. Ze zullen nadenken over hoe ze semi-begeleid leren het beste in elke implementatie kunnen gebruiken: een semi-gecontroleerd leeralgoritme kan bijvoorbeeld een bestaand unsup-algoritme "omwikkelen" voor een "één-twee" -benadering.
Semi-begeleid leren als een fenomeen zal zeker de grenzen van machine learning verleggen, omdat het allerlei nieuwe mogelijkheden opent voor effectievere en efficiëntere machine learning-systemen.
