P:
Per què l’aprenentatge semi-supervisat és un model útil per a l’aprenentatge de màquines?
R:L’aprenentatge semi-supervisat és una part important dels processos d’aprenentatge de màquines i d’aprenentatge profund, perquè amplia i millora les capacitats dels sistemes d’aprenentatge de màquines de maneres significatives.
En primer lloc, a la indústria d’aprenentatge automàtic actual, han sorgit dos models per a la formació d’ordinadors: s’anomenen aprenentatge supervisat i no supervisat. Són fonamentalment diferents en què l’aprenentatge supervisat implica utilitzar dades etiquetades per inferir un resultat, i l’aprenentatge no supervisat implica extrapolar de dades sense etiquetatge mitjançant l’examen de les propietats de cada objecte en un conjunt de dades de formació.
Descàrrega gratuïta: Aprenentatge automàtic i per què és important |
Els experts ho expliquen mitjançant molts exemples diferents: si els objectes del conjunt de formació són fruites o formes de colors o comptes de clients, la normalitat en l’aprenentatge supervisat és que la tecnologia comença a saber quins són aquests objectes, ja s’han fet les classificacions primàries. . En canvi, en l'aprenentatge no supervisat, la tecnologia té en compte objectes encara no definits i els classifica segons el seu propi ús de criteris. A vegades es coneix com "autoaprenentatge".
Aquesta, doncs, és la utilitat principal de l’aprenentatge semi-supervisat: combina l’ús de dades etiquetades i sense etiquetes per obtenir els millors enfocaments.
L’aprenentatge supervisat proporciona a la tecnologia més adreces a recórrer, però pot ser costós, amb molta mà d’obra, tediós i requereix molt més esforç. L’aprenentatge no vigilat està més “automatitzat”, però els resultats poden ser molt menys precisos.
Així, en fer servir un conjunt de dades etiquetades (sovint un conjunt més reduït en el gran esquema de coses), un enfocament d'aprenentatge semi-supervisat "efectua" el sistema per classificar-se millor. Per exemple, suposem que un sistema d’aprenentatge automàtic intenta identificar 100 ítems segons criteris binaris (negre vs blanc). Pot ser extremadament útil només tenir una instància marcada de cadascun (un blanc, un negre) i després agrupar els elements "grisos" restants segons els criteris que sigui millor. Tanmateix, tan aviat com s'etiqueten aquests dos ítems, l'aprenentatge no tutelat esdevé un aprenentatge semi-supervisat.
A l’hora de dirigir l’aprenentatge semi-supervisat, els enginyers estudien els límits de decisió que influeixen en els sistemes d’aprenentatge de màquines per classificar-se cap a un o altre resultat etiquetat quan s’avaluen dades sense etiqueta. Pensaran sobre com utilitzar millor l’aprenentatge semi-supervisat en qualsevol implementació: Per exemple, un algorisme d’aprenentatge semi-supervisat pot “embolicar” un algorisme d’insupció existent per a un enfocament “un-dos”.
L’aprenentatge semi-supervisat com a fenomen és segur que impulsarà les fronteres de l’aprenentatge automàtic, ja que obre tot tipus de noves possibilitats per a sistemes d’aprenentatge automàtic més eficaços i eficaços.