Q:
Защо полу-контролираното обучение е полезен модел за машинно обучение?
A:Полуконтролираното обучение е важна част от процесите на машинно обучение и дълбоко обучение, тъй като значително разширява и повишава възможностите на машинното обучение.
Първо, в днешната индустрия за новородено машинно обучение се появиха два модела за обучение на компютри: Те се наричат контролирано и неподдържано обучение. Те са коренно различни в това, че контролираното обучение включва използване на етикетирани данни, за да се заключи резултат, а неподдържаното обучение включва екстраполиране от незабелязани данни чрез изследване на свойствата на всеки обект в набор от данни за обучение.
| Безплатно изтегляне: Машинното обучение и защо има значение |
Експертите обясняват това с помощта на много различни примери: Независимо дали обектите в учебния комплект са плодове или цветни форми или клиентски акаунти, общото при контролираното обучение е, че технологията започва да се знае какви са тези обекти - първичните класификации вече са направени, За разлика от обучението, което не се контролира, технологията разглежда по-скоро неопределени елементи и ги класифицира според собствената си употреба на критерии. Това понякога се нарича „самообучение“.
Това е основната полезност на обучението с полуконтрол: Съчетава използването на етикетирани и необелязани данни, за да се получат „най-добрите и от двата“ подхода.
Контролираното обучение дава на технологиите повече посока за преминаване, но може да бъде скъпо, трудоемко, досадно и да изисква много повече усилия. Ненадзорното обучение е по-"автоматизирано", но резултатите могат да бъдат много по-малко точни.
Така че при използване на набор от етикетирани данни (често по-малък набор в голямата схема на нещата), полу-контролиран подход за обучение ефективно "грундира" системата, за да се класифицира по-добре. Да предположим, например, че системата за машинно обучение се опитва да идентифицира 100 елемента според двоични критерии (черно срещу бяло). Може да бъде изключително полезно само да имате по един белязан екземпляр от всеки (един бял, един черен) и след това да групирате останалите "сиви" елементи според кои критерии са най-добри. Веднага след като тези два предмета са етикетирани, обучението без надзор се превръща в полуконтролирано обучение.
При насочването на полуконтролираното обучение инженерите разглеждат внимателно границите на решенията, които влияят върху системите за машинно обучение, за да се класифицират към един или друг етикетиран резултат, когато оценяват неозначените данни. Те ще помислят как най-добре да използват полу-контролираното обучение при всяко изпълнение: Например, полу-контролиран алгоритъм за обучение може да „обгърне“ съществуващ алгоритъм за неподдържане за подход „едно-две“.
Полунадзорното обучение като феномен със сигурност изтласква границите на машинното обучение напред, тъй като отваря всякакви нови възможности за по-ефективни и по-ефективни системи за машинно обучение.
