F:
Varför är halvledd lärande en användbar modell för maskininlärning?
A:Semiövervakat lärande är en viktig del av maskininlärning och djupa inlärningsprocesser, eftersom det utvidgar och förbättrar kapaciteten för maskininlärningssystem på betydande sätt.
Först, i dagens framväxande maskininlärningsbransch, har två modeller dykt upp för utbildning av datorer: Dessa kallas övervakat och utan tillsyn. De är i grund och botten olika genom att övervakat lärande innebär att använda märkta data för att dra slutsatser om ett resultat, och undervisat undervisning innebär extrapolering från omärkt data genom att undersöka egenskaperna hos varje objekt i en träningsdataset.
| Gratis nedladdning: Machine Learning and Why It Matters |
Experter förklarar detta med hjälp av många olika exempel: Oavsett om objekten i träningsuppsättningen är frukter eller färgade former eller klientkonton, är det vanliga i övervakat lärande att tekniken börjar veta vad dessa objekt är - de primära klassificeringarna har redan gjorts . I oövervakad inlärning, däremot, ser tekniken på objekt som ännu inte är definierade och klassificerar dem enligt dess egen användning av kriterier. Detta kallas ibland "självlärande."
Detta är alltså det primära användningsområdet för halvledd lärande: Det kombinerar användningen av märkta och omärkta data för att få "det bästa av båda" metoder.
Övervakad inlärning ger tekniken mer riktning att gå från, men det kan vara kostsamt, arbetsintensivt, tråkigt och kräva mycket mer ansträngning. Oövervakat lärande är mer "automatiserat", men resultaten kan vara mycket mindre exakta.
Så genom att använda en uppsättning av märkta data (ofta en mindre uppsättning i det stora tingen av saker) en "semi-övervakad inlärning strategi" effektiva "systemet" effektivt för att klassificera bättre. Anta till exempel att ett maskininlärningssystem försöker identifiera 100 objekt enligt binära kriterier (svart mot vitt). Det kan vara oerhört användbart bara att ha en märkt instans av var och en (en vit, en svart) och sedan klustera de återstående "grå" artiklarna enligt vilket kriterium som är bäst. Så fort dessa två artiklar är märkta blir dock icke-övervakat lärande halvövervakat lärande.
Vid ledning av halvledd lärande tittar ingenjörer noggrant på beslutsgränser som påverkar maskininlärningssystem för att klassificera sig mot det ena eller det andra märkta resultatet vid utvärdering av omärkta data. De kommer att tänka på hur man bäst kan använda halvövervakad inlärning i alla implementeringar: Till exempel kan en halvövervakad inlärningsalgoritm "svepa runt" en befintlig unsup-algoritm för en "en-två" -metod.
Semi-övervakat lärande som ett fenomen är säkert att driva gränserna för maskininlärning framåt, eftersom det öppnar upp alla möjliga nya möjligheter för effektivare och effektivare maskininlärningssystem.
