Introducere în învățarea semi-supervizată [Aplicații de top în lumea de astăzi]
Publicat: 2021-01-29Învățarea automată a fost cuvântul la modă din ultimul deceniu. Există foarte puține domenii acum în care magia învățării automate nu este evidentă. În special în domeniul publicitar foarte profitabil, învățarea automată este acum utilizată mai pe scară largă ca niciodată.
De fiecare dată când vizitați un site web, de fiecare dată când căutați un anumit termen pe internet, datele pe care le generați sunt „învățate”. Aceste date sunt apoi utilizate pentru a vă oferi publicitate direcționată, asigurându-vă că fiecare utilizator primește reclame diferite, indiferent de pagina web pe care o vizitează.
Cuprins
Cum funcționează învățarea automată
Deci, cum funcționează învățarea automată? În activitatea sa, învățarea automată este foarte asemănătoare cu creierul uman. Datele sale sunt actualizate continuu și învață mereu din noile informații pe care le primește. Învățarea automată implică două tipuri de seturi – un set de testare și un set de antrenament. Setul de antrenament este practic un set de date care reprezintă toate datele pentru care modelul de învățare automată le va face predicții.
Important este că avem informațiile pentru antrenament și seturi de testare pentru a prezice datele complete. Odată ce modelul de învățare automată pe care l-ați construit a recunoscut un model în setul de antrenament, acesta este testat pentru eficacitate pe setul de testare. Acest dus și înapoi continuă până când modelul atinge un anumit nivel de eficacitate.
Tipuri de învățare automată
Învățarea automată are propriile sale tipuri. Cele două tipuri principale de învățare automată sunt următoarele.
- Învățare supravegheată
- Învățare nesupravegheată
În forma sa timpurie și în forma în care a fost explicată în secțiunea anterioară, învățarea automată a fost în general sinonimă cu învățarea supravegheată până nu cu mult timp în urmă în învățarea supervizată. Setul de antrenament și setul de testare vor avea ambele date etichetate.
Datele etichetate sunt tipul de date în care toate câmpurile de date importante, inclusiv câmpul care urmează să fie prezis de model, sunt etichetate corespunzător, astfel încât modelul să poată învăța eficient. Învățarea supravegheată este în întregime bazată pe experiență și este excelentă dacă doriți să optimizați performanța modelului dvs.
Învățarea nesupravegheată este tipul de învățare automată în care toate datele sunt neetichetate. Mai degrabă, modelului de învățare automată i se dă frâu liber pentru a distinge tiparele dintre datele furnizate. Învățarea nesupravegheată poate duce adesea la rezultate imprevizibile și chiar poate ajuta la descoperirea de noi modele în seturi mari de date. Datele pe care le veți primi în general vor fi etichetate rar, iar modelele de învățare nesupravegheate sunt destinate datelor neetichetate.
Învățare semi-supravegheată
Există mai multe dezavantaje atât pentru învățarea supravegheată, cât și pentru învățarea nesupravegheată. Cel mai mare și cel mai evident dezavantaj al învățării supravegheate este faptul că majoritatea datelor sunt neetichetate. Pentru ca învățarea supravegheată să funcționeze pe un set de date, toate datele trebuie adesea extrase și etichetate manual, ceea ce este un proces exigent și ar putea anula toate beneficiile utilizării învățării automate pe datele dvs.
Învățarea nesupravegheată nu necesită date etichetate, dar baza potențialelor aplicații pentru învățarea pur nesupravegheată este, din păcate, destul de limitată.
Învățarea semi-supravegheată este un tip de învățare automată care oferă o cale de mijloc excelentă între învățarea supravegheată și învățarea nesupravegheată. Desigur, învățarea semi-supravegheată se îndreaptă puțin spre capătul supravegheat al spectrului de învățare automată. Condiția prealabilă pentru orice model de învățare semi-supravegheată este un set de date neetichetate, din care o cantitate minoră de date a fost extrasă și etichetată manual.
Acesta este un avantaj semnificativ față de un model pur supravegheat, în care toate datele trebuie etichetate. Prin urmare, învățarea semi-supravegheată este asociată cu economii de costuri, precum și de timp. În comparație cu un model nesupravegheat, un model supravegheat, dacă este folosit chiar și cu o cantitate mică de date etichetate, poate reduce resursele de calcul și poate îmbunătăți acuratețea modelului.
Ipotezele învățării nesupravegheate
Atunci când este implicată orice utilizare a datelor neetichetate, aceasta trebuie să fie asociată într-un fel cu datele subiacente. Când se utilizează un model de învățare automată semi-supravegheată, se fac anumite ipoteze despre date. Aceste ipoteze sunt următoarele.
Ipoteza de continuitate: Aceasta este o presupunere că punctele dintr-un diagramă de dispersie care reprezintă toate datele mai apropiate unele de altele sunt mai probabil să aibă aceeași etichetă. Aceasta este, de asemenea, o ipoteză majoră utilizată în general pentru modelele de învățare supravegheată. Această ipoteză facilitează ca modelul semi-supravegheat să formeze limite decizionale lizibile.
Ipoteza cluster: Aceasta presupune că datele au o predilecție naturală de a forma clustere și că punctele de date care fac parte din același cluster au aceeași etichetă. Cu toate acestea, o avertizare la această presupunere este că două sau mai multe grupuri pot avea și date care aparțin aceleiași etichete. Această ipoteză este de mare folos în algoritmii de grupare. Aceasta este foarte similară cu ipoteza anterioară și poate fi tratată ca un caz special al ipotezei de continuitate. Ipoteza cluster este de mare folos atunci când este necesară determinarea limitelor de decizie, similar ipotezei de continuitate.
Ipoteza colectoare: Aceasta presupune că dimensiunile colectorului spațiului de intrare sunt semnificativ mai mari decât cele pe care se află datele. Odată ce această ipoteză a fost făcută, datele etichetate și neetichetate pot fi învățate conform varietății comune. Odată ce varietatea a fost stabilită, densitățile și distanța dintre punctele datelor pot fi măsurate. Aceasta este o ipoteză utilă atunci când numărul de dimensiuni din date este foarte mare și reiterează că numărul de dimensiuni care guvernează clasificarea datelor în diferite etichete va fi comparativ mai mic.
Citiți și: Modele de învățare automată
Aplicații ale învățării semi-supervizate
O plângere majoră cu învățarea nesupravegheată este că numărul de aplicații potențiale este destul de scăzut. Rezultatele obținute printr-un model nesupravegheat pot fi adesea destul de redundante sau inutilizabile. În comparație, învățarea semi-supravegheată are un set robust de aplicații în care poate fi utilizată.
Clasificarea conținutului de pe Internet: Internetul este o mulțime de pagini web și nu se poate aștepta ca fiecare pagină să fie etichetată și să aibă toate datele pentru domeniul dorit. Totuși, în același timp, este adevărat că de-a lungul anilor, o anumită minoritate de pagini web vor fi fost etichetate pentru o dimensiune sau alta.
Acesta poate fi folosit pentru clasificarea paginilor web. Un set de pagini web etichetate poate fi folosit pentru a prezice eticheta tuturor celorlalte pagini web de care aveți nevoie. Mai multe motoare de căutare utilizează un model de învățare semi-supravegheat pentru a eticheta și a clasifica paginile web în rezultatele căutării lor, inclusiv Google.
Analiza imaginilor și audio : analiza imaginilor și audio este printre cele mai comune utilizări ale modelelor de învățare semi-supravegheată. Acest tip de date este de obicei neetichetat. Expertiza umană poate eticheta o proporție minoră a datelor în loc să clasifice fiecare imagine sau bucată audio pentru un anumit domeniu pe parcursul zilelor și lunilor. Odată ce această proporție mică de date a fost clasificată, puteți utiliza pur și simplu algoritmul antrenat pentru a clasifica toate celelalte date pe care le aveți.
Clasificarea secvențelor de proteine: Aceasta este o aplicație relativ nouă a învățării semi-supravegheate. Secvențele de proteine conțin mulți aminoacizi și nu este practic să se analizeze fiecare secvență de proteine și să o clasifice ca un tip sau altul. Această sarcină poate fi finalizată cu ușurință prin utilizarea învățării semi-supravegheate. Tot ce aveți nevoie este o bază de date cu proteine deja paiete, iar modelul în sine poate secvența restul.
Concluzie
Învățarea semi-supravegheată oferă o mare moderație între avantajele și dezavantajele învățării supravegheate și nesupravegheate. De asemenea, asigură că o cantitate mare de date generate sau disponibile poate fi utilizată într-un model sau altul pentru a obține informații semnificative. Utilizarea acestui tip de model este probabil să crească în următorii ani.
Învățarea automată este una dintre cele mai influente tehnologii din lume. Acesta este un motiv important pentru care este atât de popular în zilele noastre.
Multe industrii folosesc învățarea automată în scopuri diferite, astfel încât cererea crește pe zi ce trece. Dacă doriți să aflați mai multe despre carierele în învățarea automată și inteligența artificială, consultați programul IIIT-B și upGrad PG în învățare automată și AI.
Învață cursul ML de la cele mai bune universități din lume. Câștigă programe de master, Executive PGP sau Advanced Certificate pentru a-ți accelera cariera.
