Q:
Por que o aprendizado semi-supervisionado é um modelo útil para o aprendizado de máquina?
UMA:O aprendizado semi-supervisionado é uma parte importante dos processos de aprendizado de máquina e aprendizado profundo, pois expande e aprimora os recursos dos sistemas de aprendizado de máquina de maneira significativa.
Primeiro, na nascente indústria de aprendizado de máquina de hoje, dois modelos surgiram para o treinamento de computadores: eles são chamados de aprendizado supervisionado e não supervisionado. Eles são fundamentalmente diferentes, pois o aprendizado supervisionado envolve o uso de dados rotulados para inferir um resultado, e o aprendizado não supervisionado envolve a extrapolação de dados não rotulados através do exame das propriedades de cada objeto em um conjunto de dados de treinamento.
| Download grátis: Machine Learning e por que é importante |
Os especialistas explicam isso usando muitos exemplos diferentes: se os objetos no conjunto de treinamento são frutas ou formas coloridas ou contas de clientes, o ponto comum no aprendizado supervisionado é que a tecnologia começa a saber quais são esses objetos - as classificações principais já foram feitas . No aprendizado não supervisionado, por outro lado, a tecnologia analisa itens ainda não definidos e os classifica de acordo com seu próprio uso de critérios. Isso às vezes é chamado de "auto-aprendizado".
Essa é, então, a principal utilidade do aprendizado semi-supervisionado: combina o uso de dados rotulados e não rotulados para obter "o melhor de ambos" abordagens.
O aprendizado supervisionado dá à tecnologia mais orientações, mas pode ser oneroso, trabalhoso, tedioso e exigir muito mais esforço. O aprendizado não supervisionado é mais "automatizado", mas os resultados podem ser muito menos precisos.
Portanto, ao usar um conjunto de dados rotulados (geralmente um conjunto menor no grande esquema das coisas), uma abordagem de aprendizado semi-supervisionada efetivamente "prepara" o sistema para classificar melhor. Por exemplo, suponha que um sistema de aprendizado de máquina esteja tentando identificar 100 itens de acordo com critérios binários (preto versus branco). Pode ser extremamente útil apenas ter uma instância rotulada de cada (uma branca, uma preta) e, em seguida, agrupar os demais itens "cinza" de acordo com o melhor critério. Assim que esses dois itens são rotulados, o aprendizado não supervisionado se torna um aprendizado semi-supervisionado.
Ao direcionar o aprendizado semi-supervisionado, os engenheiros examinam atentamente os limites de decisão que influenciam os sistemas de aprendizado de máquina a classificar em relação a um ou outro resultado rotulado ao avaliar dados não rotulados. Eles pensarão sobre como usar melhor o aprendizado semi-supervisionado em qualquer implementação: Por exemplo, um algoritmo de aprendizado semi-supervisionado pode "envolver" um algoritmo de não suporte existente para uma abordagem "um-dois".
O aprendizado semi-supervisionado como um fenômeno certamente impulsionará as fronteiras do aprendizado de máquina, pois abre todo tipo de novas possibilidades para sistemas de aprendizado de máquina mais eficazes e eficientes.
