Introduction à l'apprentissage semi-supervisé [Principales applications dans le monde d'aujourd'hui]
Publié: 2021-01-29L'apprentissage automatique était le mot à la mode de la dernière décennie. Il y a très peu de domaines maintenant dans lesquels la magie de l'apprentissage automatique n'est pas évidente. Surtout dans le secteur publicitaire très lucratif, l'apprentissage automatique est maintenant plus largement utilisé que jamais.
Chaque fois que vous visitez un site Web, chaque fois que vous recherchez un terme particulier sur Internet, les données que vous générez sont « apprises ». Ces données sont ensuite utilisées pour vous fournir des publicités ciblées, garantissant que chaque utilisateur reçoit des publicités différentes, quelle que soit la page Web visitée par l'utilisateur.
Table des matières
Comment fonctionne l'apprentissage automatique
Alors, comment fonctionne l'apprentissage automatique ? Dans son travail, l'apprentissage automatique est très similaire au cerveau humain. Ses données sont continuellement mises à jour et il apprend toujours des nouvelles informations qu'il reçoit. L'apprentissage automatique implique deux types d'ensembles : un ensemble de test et un ensemble d'apprentissage. L'ensemble d'apprentissage est essentiellement un ensemble de données qui représente toutes les données pour lesquelles le modèle d'apprentissage automatique fera des prédictions.
Surtout, nous avons les informations pour les ensembles de formation et de test pour prédire les données complètes. Une fois que le modèle d'apprentissage automatique que vous avez créé a reconnu un modèle dans l'ensemble d'apprentissage, son efficacité est testée sur l'ensemble de test. Ce va-et-vient se poursuit jusqu'à ce que le modèle atteigne un certain niveau d'efficacité.
Types d'apprentissage automatique
L'apprentissage automatique a ses propres types. Les deux principaux types d'apprentissage automatique sont les suivants.
- Enseignement supervisé
- Apprentissage non supervisé
Dans sa forme initiale et sous la forme sous laquelle il a été expliqué dans la section précédente, l'apprentissage automatique était généralement synonyme d'apprentissage supervisé jusqu'à il n'y a pas très longtemps dans l'apprentissage supervisé. L'ensemble d'apprentissage et l'ensemble de test auront tous deux des données étiquetées.
Les données étiquetées sont le type de données dans lequel tous les champs de données importants, y compris le champ qui doit être prédit par le modèle, sont dûment étiquetés afin que le modèle puisse apprendre efficacement. L'apprentissage supervisé est un apprentissage entièrement basé sur l'expérience et est idéal si vous souhaitez optimiser les performances de votre modèle.
L'apprentissage non supervisé est le type d'apprentissage automatique dans lequel toutes les données ne sont pas étiquetées. Au contraire, le modèle d'apprentissage automatique a carte blanche pour distinguer les modèles parmi les données qui lui sont fournies. L'apprentissage non supervisé peut souvent générer des résultats imprévisibles et même aider à découvrir de nouveaux modèles dans de grands ensembles de données. Les données que vous recevrez généralement seront rarement étiquetées, et les modèles d'apprentissage non supervisés sont destinés aux données non étiquetées.
Apprentissage semi-supervisé
L'apprentissage supervisé et l'apprentissage non supervisé présentent plusieurs inconvénients. L'inconvénient le plus important et le plus évident de l'apprentissage supervisé est le fait que la plupart des données ne sont pas étiquetées. Pour que l'apprentissage supervisé fonctionne sur un ensemble de données, toutes les données doivent souvent être extraites et étiquetées à la main, ce qui est un processus exigeant et peut annuler tous les avantages de l'utilisation de l'apprentissage automatique sur vos données.
L'apprentissage non supervisé ne nécessite pas de données étiquetées, mais la base d'applications potentielles pour un apprentissage purement non supervisé est malheureusement assez limitée.
L'apprentissage semi-supervisé est un type d'apprentissage automatique qui offre une excellente voie médiane entre l'apprentissage supervisé et l'apprentissage non supervisé. Certes, l'apprentissage semi-supervisé vire un peu vers l'extrémité supervisée du spectre de l'apprentissage automatique. La condition préalable à tout modèle d'apprentissage semi-supervisé est un ensemble de données non étiquetées, à partir desquelles une quantité mineure de données a été extraite et étiquetée manuellement.
Il s'agit d'un avantage significatif par rapport à un modèle purement supervisé, dans lequel toutes les données doivent être étiquetées. Par conséquent, l'apprentissage semi-supervisé est associé à des économies de temps et d'argent. Par rapport à un modèle non supervisé, un modèle supervisé, s'il est utilisé même avec une petite quantité de données étiquetées, peut réduire les ressources de calcul et améliorer la précision du modèle.
Les hypothèses de l'apprentissage non supervisé
Lorsqu'une utilisation de données non étiquetées est impliquée, elle doit être associée d'une manière ou d'une autre aux données sous-jacentes. Lors de l'utilisation d'un modèle d'apprentissage automatique semi-supervisé, certaines hypothèses sur les données sont faites. Ces hypothèses sont les suivantes.
Hypothèse de continuité : il s'agit d'une hypothèse selon laquelle les points d'un nuage de points représentant toutes les données les plus proches les uns des autres sont plus susceptibles d'avoir la même étiquette. C'est aussi une hypothèse majeure généralement utilisée pour les modèles d'apprentissage supervisé. Cette hypothèse permet au modèle semi-supervisé de former facilement des limites de décision lisibles.
Hypothèse de cluster : Cela suppose que les données ont une prédilection naturelle pour former des clusters et que les points de données qui font partie du même cluster ont la même étiquette. Cependant, une mise en garde à cette hypothèse est que deux clusters ou plus peuvent également avoir des données appartenant à la même étiquette. Cette hypothèse est d'une grande utilité dans les algorithmes de clustering. Ceci est très similaire à l'hypothèse précédente et peut être traité comme un cas particulier de l'hypothèse de continuité. L'hypothèse de cluster est d'une grande utilité lorsque la détermination des limites de décision est requise, similaire à l'hypothèse de continuité.
Hypothèse de variété : Cela suppose que les dimensions de la variété de l'espace d'entrée sont nettement supérieures à celles sur lesquelles se trouvent les données. Une fois cette hypothèse faite, les données étiquetées et non étiquetées peuvent être apprises selon le collecteur commun. Une fois que la variété a été établie, les densités et la distance entre les points des données peuvent être mesurées. Il s'agit d'une hypothèse utile lorsque le nombre de dimensions dans les données est très élevé et itère que le nombre de dimensions qui régissent la catégorisation des données dans différentes étiquettes sera comparativement inférieur.
Lisez aussi : Modèles d'apprentissage automatique
Applications de l'apprentissage semi-supervisé
Une plainte majeure avec l'apprentissage non supervisé est que le nombre d'applications potentielles est plutôt faible. Les résultats obtenus par un modèle non supervisé peuvent souvent être plutôt redondants ou inutilisables. En comparaison, l'apprentissage semi-supervisé dispose d'un ensemble robuste d'applications où il peut être utilisé.
La classification du contenu sur Internet : Internet est un vaste trésor de pages Web, et on ne peut pas s'attendre à ce que chaque page soit étiquetée et contienne toutes les données pour le domaine que vous désirez. Cependant, en même temps, il est vrai qu'au fil des ans, une minorité de pages Web aura été étiquetée pour une dimension ou l'autre.
Cela peut être utilisé pour la classification des pages Web. Un ensemble de pages Web étiquetées peut être utilisé pour prédire l'étiquette de toutes les autres pages Web dont vous avez besoin. Plusieurs moteurs de recherche utilisent un modèle d'apprentissage semi-supervisé pour étiqueter et classer les pages Web dans leurs résultats de recherche, y compris Google.
Analyse d'images et d'audio : L'analyse d'images et d'audio fait partie des utilisations les plus courantes des modèles d'apprentissage semi-supervisé. Ce type de données est généralement sans étiquette. L'expertise humaine peut étiqueter une proportion mineure des données au lieu de classer chaque image ou morceau d'audio pour un domaine particulier sur des jours et des mois. Une fois que cette petite proportion de données a été classée, vous pouvez simplement utiliser l'algorithme formé pour classer toutes les autres données dont vous disposez.
Classification des séquences de protéines : il s'agit d'une application relativement nouvelle de l'apprentissage semi-supervisé. Les séquences protéiques contiennent de nombreux acides aminés, et il n'est pas pratique d'analyser chaque séquence protéique et de la classer dans un type ou dans l'autre. Cette tâche peut être facilement complétée par l'utilisation d'un apprentissage semi-supervisé. Tout ce dont vous avez besoin est une base de données de protéines déjà pailletées, et le modèle lui-même peut séquencer le reste.
Conclusion
L'apprentissage semi-supervisé offre une grande modération entre les avantages et les inconvénients de l'apprentissage supervisé et non supervisé. Cela garantit également qu'une grande quantité de données générées ou disponibles peut être utilisée dans un modèle ou dans l'autre pour obtenir des informations significatives. L'utilisation de ce type de modèle ne devrait que croître dans les années à venir.
L'apprentissage automatique est l'une des technologies les plus influentes au monde. C'est une grande raison pour laquelle il est si populaire de nos jours.
De nombreuses industries utilisent l'apprentissage automatique à différentes fins, de sorte que la demande augmente de jour en jour. Si vous souhaitez en savoir plus sur les carrières dans l'apprentissage automatique et l'intelligence artificielle, consultez le programme de diplôme PG en apprentissage automatique et IA de IIIT-B et upGrad.
Apprenez le cours ML des meilleures universités du monde. Gagnez des programmes de maîtrise, Executive PGP ou Advanced Certificate pour accélérer votre carrière.
