Q:
Pourquoi l'annotation des données est-elle importante dans certains projets d'apprentissage automatique?
UNE:L'annotation des données est importante dans l'apprentissage automatique car dans de nombreux cas, elle facilite beaucoup le travail du programme d'apprentissage automatique.
Cela a à voir avec la différence entre l'apprentissage automatique supervisé et non supervisé. Avec l'apprentissage automatique supervisé, les données de formation sont déjà étiquetées afin que la machine puisse mieux comprendre les résultats souhaités. Par exemple, si le but du programme est d'identifier les chats dans les images, le système possède déjà un grand nombre de photos étiquetées comme chat ou non. Il utilise ensuite ces exemples pour contraster de nouvelles données afin de produire ses résultats.
| Téléchargement gratuit: apprentissage automatique et pourquoi c'est important |
Avec l'apprentissage automatique non supervisé, il n'y a pas d'étiquettes et le système doit donc utiliser des attributs et d'autres techniques pour identifier les chats. Les ingénieurs peuvent former le programme à reconnaître les caractéristiques visuelles des chats comme les moustaches ou les queues, mais le processus n'est presque jamais aussi simple qu'il le serait dans l'apprentissage automatique supervisé où ces étiquettes jouent un rôle très important.
L'annotation des données est le processus d'apposition d'étiquettes sur les ensembles de données d'apprentissage. Ceux-ci peuvent être appliqués de nombreuses manières différentes - nous avons parlé ci-dessus d'annotation de données binaires - chats ou non - mais d'autres types d'annotations de données sont également importants. Par exemple, dans le domaine médical, l'annotation des données peut impliquer le marquage d'images biologiques spécifiques avec des étiquettes identifiant des marqueurs de pathologie ou de maladie pour d'autres propriétés médicales.
L'annotation des données demande du travail - et est souvent effectuée par des équipes de personnes - mais c'est un élément fondamental de ce qui fait que de nombreux projets d'apprentissage automatique fonctionnent correctement. Il fournit cette configuration initiale pour enseigner à un programme ce dont il a besoin d'apprendre et comment discriminer les différentes entrées pour obtenir des sorties précises.
