П:
Зашто је учење под пола надзора користан модел машинског учења?
О:Полу-надзирано учење важан је дио процеса машинског учења и дубоког учења, јер на значајан начин проширује и побољшава могућности система машинског учења.
Прво, у данашњој индустрији стројног учења настају два модела за рачунаре за обуку: који се називају надгледано и ненадзирано учење. Основно се разликују по томе што надгледано учење укључује употребу обележених података за закључивање резултата, а неконтролисано учење укључује екстраполирање из необележених података путем испитивања својстава сваког предмета у скупу података о тренингу.
| Бесплатно преузимање: Машинско учење и зашто је то важно |
Стручњаци то објашњавају коришћењем много различитих примера: Без обзира да ли су предмети у групи за тренирање воће или обојени облици или рачуни клијента, заједничко у супервизираном учењу је да технологија полази од сазнања о тим предметима - примарне класификације су већ направљене . Насупрот томе, у учењу без надзора, технологија гледа на још недефинисане ставке и класификује их према сопственој употреби критеријума. То се понекад назива и „само-учење“.
То је, дакле, основна корисност учења под надзором: Комбинује употребу обележених и неозначених података да би се добили „најбољи од оба“ приступа.
Надзирано учење даје техници више праваца за пут, али може бити скупо, радно интензивно, напорно и захтевати много више труда. Учење без надзора је више "аутоматизовано", али резултати могу бити много мање тачни.
Дакле, у кориштењу скупа означених података (често мањег скупа у великој шеми ствари) полу-надгледани приступ учењу ефикасно "припрема" систем за бољу класификацију. На пример, претпоставимо да систем машинског учења покушава да идентификује 100 предмета према бинарним критеријумима (црни на бели). Може бити изузетно корисно само имати један обележени примерак сваке (један бели, један црни), а затим скупити преостале „сиве“ ставке у складу са оним који је критеријум најбољи. Чим се та два предмета означе, учење без надзора постаје учење под надзором.
Усмеравајући учење под надзором, инжењери пажљиво проучавају границе одлука које утичу на системе машинског учења да би се класификовали према једном или другом обележеном резултату приликом оцењивања необележених података. Они ће размислити о томе како најбоље искористити учење под надзором у било којој имплементацији: На пример, алгоритам учења који се налази под надзором може „омотати“ постојећи алгоритам за помоћ за „један-два“ приступ.
Полу-надзирано учење као феномен сигурно ће померати границе машинског учења напред, јер отвара свакакве нове могућности за ефикасније и ефикасније системе машинског учења.
