Q:
Pourquoi l'apprentissage semi-supervisé est-il un modèle utile pour l'apprentissage automatique?
UNE:L'apprentissage semi-supervisé est une partie importante des processus d'apprentissage automatique et d'apprentissage en profondeur, car il étend et améliore les capacités des systèmes d'apprentissage automatique de manière significative.
Premièrement, dans l'industrie naissante du machine learning, deux modèles ont émergé pour la formation des ordinateurs: ils sont appelés apprentissage supervisé et non supervisé. Ils sont fondamentalement différents en ce que l'apprentissage supervisé implique l'utilisation de données étiquetées pour déduire un résultat, et l'apprentissage non supervisé implique l'extrapolation à partir de données non étiquetées en examinant les propriétés de chaque objet dans un ensemble de données d'apprentissage.
| Téléchargement gratuit: apprentissage automatique et pourquoi c'est important |
Les experts expliquent cela en utilisant de nombreux exemples différents: que les objets de l'ensemble de formation soient des fruits ou des formes colorées ou des comptes clients, le point commun dans l'apprentissage supervisé est que la technologie commence par savoir ce que sont ces objets - les classifications principales ont déjà été établies . Dans l'apprentissage non supervisé, en revanche, la technologie examine les éléments non encore définis et les classe en fonction de sa propre utilisation des critères. Ceci est parfois appelé «auto-apprentissage».
Il s'agit donc de l'utilité principale de l'apprentissage semi-supervisé: il combine l'utilisation de données étiquetées et non étiquetées pour obtenir «le meilleur des deux» approches.
L'apprentissage supervisé donne plus d'orientation à la technologie, mais elle peut être coûteuse, laborieuse, fastidieuse et nécessiter beaucoup plus d'efforts. L'apprentissage non supervisé est plus «automatisé», mais les résultats peuvent être beaucoup moins précis.
Ainsi, en utilisant un ensemble de données étiquetées (souvent un ensemble plus petit dans le grand schéma des choses), une approche d'apprentissage semi-supervisée "amorce" efficacement le système pour mieux le classer. Par exemple, supposons qu'un système d'apprentissage automatique essaie d'identifier 100 éléments selon des critères binaires (noir contre blanc). Il peut être extrêmement utile simplement d'avoir une instance étiquetée de chacun (un blanc, un noir), puis de regrouper les éléments "gris" restants selon le meilleur critère. Cependant, dès que ces deux éléments sont étiquetés, l'apprentissage non supervisé devient un apprentissage semi-supervisé.
En dirigeant l'apprentissage semi-supervisé, les ingénieurs examinent attentivement les limites de décision qui influencent les systèmes d'apprentissage automatique pour classer vers l'un ou l'autre résultat étiqueté lors de l'évaluation des données non étiquetées. Ils réfléchiront à la meilleure façon d'utiliser l'apprentissage semi-supervisé dans n'importe quelle implémentation: Par exemple, un algorithme d'apprentissage semi-supervisé peut «boucler» un algorithme non sauvegardé existant pour une approche «un-deux».
L'apprentissage semi-supervisé en tant que phénomène est sûr de repousser les frontières de l'apprentissage automatique, car il ouvre toutes sortes de nouvelles possibilités pour des systèmes d'apprentissage automatique plus efficaces et plus efficients.
