P:
Quina diferència hi ha entre l’aprenentatge tutelat, no tutelat i semi-supervisat?
R:La diferència clau entre l’aprenentatge supervisat i no supervisat en l’aprenentatge automàtic és l’ús de dades de formació.
L’aprenentatge supervisat fa ús d’exemples de dades per mostrar el que són les dades “correctes”. Les dades estan estructurades per mostrar les sortides d’entrades donades.
Un algorisme d’aprenentatge automàtic que classifica les fruites podria tenir imatges de fruites com pomes, plàtans, raïm i taronges com a entrada i els noms d’aquests fruits com a resultats.
Un exemple del món real seria els filtres de correu brossa Bayesian als programes de correu electrònic. Aquests filtres s’entrenen amb exemples de correus electrònics que es consideren correu brossa. El filtre de correu brossa pot cercar determinades frases que apareixen en els missatges de correu electrònic que es produeixen en els missatges de correu brossa i traslladar-les a una carpeta de correu brossa.
És com mostrar a un humà com fer una nova tasca. Es pot mostrar exemples de dades a una persona que faci una entrada de dades en un format que la companyia desitgi i que després les segueixi.
Els programes d'aprenentatge automàtic que utilitzen l'aprenentatge supervisat itereen moltes vegades amb les dades de formació. Els resultats poden ser impressionants quan realment surt. El filtre de correu brossa de Google és molt precís perquè hi ha tants usuaris que ho entrenen.
L’aprenentatge no tutelat no té dades de formació prèvia. En el nostre exemple de classificació de fruites, només es pot mostrar un algoritme de fotografies de fruites i dir-les per classificar-les.
L’aprenentatge no vigilat té aplicacions en la investigació de mercat aprenent hàbits de compra dels clients o seguretat mitjançant el seguiment dels patrons de pirateria.
L’aprenentatge semi-supervisat intenta prendre un terreny mitjà mitjançant l’etiquetatge d’algunes de les dades. Per exemple, la poma i la taronja es podrien etiquetar al programa de classificació de fruites, però el plàtan i el raïm no ho són.
Quan s’ha d’utilitzar qualsevol d’aquests algoritmes dependrà del tipus de dades que s’utilitzi. Algunes tasques tenen patrons estables, com ara fraus de targetes de crèdit o missatges de correu brossa. L’aprenentatge supervisat és adequat per a aquest tipus de tasques. Els atacs de xarxa són imprevisibles, i poden ser més apropiats els mètodes d’aprenentatge no supervisats o semi-supervisats.
