D:
Perché l'apprendimento semi supervisionato è un modello utile per l'apprendimento automatico?
UN:L'apprendimento semi supervisionato è una parte importante dei processi di apprendimento automatico e di apprendimento profondo, poiché espande e migliora le capacità dei sistemi di apprendimento automatico in modi significativi.
Innanzitutto, nell'industria nascente dell'apprendimento automatico di oggi, sono emersi due modelli per la formazione dei computer: questi sono chiamati apprendimento supervisionato e non supervisionato. Sono sostanzialmente diversi in quanto l'apprendimento supervisionato implica l'uso di dati etichettati per inferire un risultato e l'apprendimento non supervisionato implica l'estrapolazione da dati senza etichetta attraverso l'esame delle proprietà di ciascun oggetto in un set di dati di addestramento.
| Download gratuito: Machine Learning e perché è importante |
Gli esperti lo spiegano usando molti esempi diversi: se gli oggetti nel set di addestramento sono frutti o forme colorate o account dei clienti, la caratteristica comune nell'apprendimento supervisionato è che la tecnologia inizia sapendo quali sono quegli oggetti: le classifiche primarie sono già state fatte . Nell'apprendimento non supervisionato, al contrario, la tecnologia esamina gli articoli non ancora definiti e li classifica in base al proprio uso di criteri. Questo viene talvolta definito "autoapprendimento".
Questa, quindi, è l'utilità primaria dell'apprendimento semi-supervisionato: combina l'uso di dati etichettati e senza etichetta per ottenere approcci "il meglio di entrambi".
L'apprendimento supervisionato offre alla tecnologia più indicazioni da seguire, ma può essere costoso, laborioso, noioso e richiede molti più sforzi. L'apprendimento senza supervisione è più "automatizzato", ma i risultati possono essere molto meno accurati.
Quindi, usando un insieme di dati etichettati (spesso un insieme più piccolo nel grande schema delle cose), un approccio di apprendimento semi-supervisionato "innesca" efficacemente il sistema per classificarlo meglio. Ad esempio, supponiamo che un sistema di apprendimento automatico stia cercando di identificare 100 elementi in base a criteri binari (nero contro bianco). Può essere estremamente utile avere solo un'istanza etichettata di ciascuna (una bianca, una nera) e quindi raggruppare gli elementi "grigi" rimanenti secondo i criteri più adatti. Non appena questi due elementi vengono etichettati, tuttavia, l'apprendimento senza supervisione diventa un apprendimento semi-supervisionato.
Nel dirigere l'apprendimento semi-supervisionato, gli ingegneri osservano attentamente i confini delle decisioni che influenzano i sistemi di apprendimento automatico per classificarsi verso l'uno o l'altro risultato etichettato durante la valutazione di dati senza etichetta. Penseranno a come utilizzare al meglio l'apprendimento semi supervisionato in qualsiasi implementazione: ad esempio, un algoritmo di apprendimento semi supervisionato può "avvolgere" un algoritmo unsup esistente per un approccio "uno-due".
L'apprendimento semi-supervisionato come fenomeno spinge sicuramente avanti le frontiere dell'apprendimento automatico, poiché apre ogni sorta di nuove possibilità per sistemi di apprendimento automatico più efficaci ed efficienti.
