Proces uczenia modelu uczenia maszynowego obejmuje wystawienie go na działanie ogromnych ilości danych, aby umożliwić mu uczenie się wzorców i dokonywanie przewidywań lub decyzji bez konieczności bezpośredniego programowania dla każdego scenariusza. W fazie szkoleniowej model uczenia maszynowego przechodzi serię iteracji, podczas których dostosowuje swoje wewnętrzne parametry, aby zminimalizować błędy i poprawić wydajność w zadaniu.
Nadzór podczas szkolenia odnosi się do poziomu interwencji człowieka wymaganego do kierowania procesem uczenia się modelu. Potrzeba nadzoru może się różnić w zależności od rodzaju używanego algorytmu uczenia maszynowego, złożoności zadania i jakości danych dostarczonych do szkolenia.
W uczeniu nadzorowanym, które jest rodzajem uczenia maszynowego, w którym model jest szkolony na oznaczonych danych, nadzór jest niezbędny. Oznaczone dane oznaczają, że każdy wejściowy punkt danych jest sparowany z właściwym wyjściem, dzięki czemu model może nauczyć się mapowania pomiędzy wejściami i wyjściami. Podczas nadzorowanego szkolenia wymagany jest nadzór człowieka, aby zapewnić prawidłowe etykiety danych szkoleniowych, ocenić przewidywania modelu i dostosować parametry modelu na podstawie informacji zwrotnych.
Na przykład w zadaniu nadzorowanego rozpoznawania obrazów, jeśli celem jest wytrenowanie modelu w zakresie klasyfikowania obrazów kotów i psów, osoba nadzorująca musiałaby oznaczyć każdy obraz jako kot lub pies. Model uczyłby się następnie na podstawie oznaczonych przykładów, aby przewidywać nowe, niewidziane obrazy. Osoba nadzorująca ocenia przewidywania modelu i przekazuje informacje zwrotne w celu poprawy jego dokładności.
Z drugiej strony algorytmy uczenia się bez nadzoru nie wymagają oznakowanych danych do szkolenia. Algorytmy te uczą się wzorców i struktur na podstawie danych wejściowych bez wyraźnych wskazówek. Uczenie się bez nadzoru jest często wykorzystywane do zadań takich jak grupowanie, wykrywanie anomalii i redukcja wymiarowości. W przypadku uczenia się bez nadzoru maszyna może uczyć się samodzielnie, bez konieczności nadzoru człowieka podczas szkolenia.
Uczenie się częściowo nadzorowane to podejście hybrydowe, które łączy w sobie elementy uczenia się pod nadzorem i bez nadzoru. W tym podejściu model jest szkolony na kombinacji danych oznaczonych i nieoznaczonych. Dane oznaczone etykietami zapewniają pewien nadzór nad procesem uczenia się, podczas gdy dane nieoznaczone umożliwiają modelowi odkrycie dodatkowych wzorców i relacji w danych.
Uczenie się przez wzmacnianie to kolejny paradygmat uczenia maszynowego, w którym agent uczy się podejmować kolejne decyzje wchodząc w interakcję ze środowiskiem. W uczeniu się przez wzmacnianie agent otrzymuje informację zwrotną w postaci nagród lub kar w zależności od swoich działań. Agent uczy się maksymalizować swoją skumulowaną nagrodę w miarę upływu czasu, metodą prób i błędów. Chociaż uczenie się przez wzmacnianie nie wymaga wyraźnego nadzoru w tradycyjnym sensie, nadzór człowieka może być potrzebny do zaprojektowania struktury nagrody, ustalenia celów uczenia się lub dostrojenia procesu uczenia się.
Potrzeba nadzoru podczas szkolenia w zakresie uczenia maszynowego zależy od stosowanego paradygmatu uczenia się, dostępności oznaczonych etykietami danych i złożoności zadania. Uczenie się nadzorowane wymaga nadzoru człowieka w celu dostarczenia oznaczonych danych i oceny wydajności modelu. Uczenie się bez nadzoru nie wymaga nadzoru, ponieważ model uczy się niezależnie od nieoznaczonych danych. Uczenie się częściowo nadzorowane łączy elementy uczenia się pod nadzorem i bez nadzoru, podczas gdy uczenie się przez wzmacnianie obejmuje uczenie się poprzez interakcję z otoczeniem.
Inne niedawne pytania i odpowiedzi dotyczące EITC/AI/GCML Uczenie Maszynowe Google Cloud:
- Co to jest tekst na mowę (TTS) i jak współpracuje z AI?
- Jakie są ograniczenia w pracy z dużymi zbiorami danych w uczeniu maszynowym?
- Czy uczenie maszynowe może pomóc w dialogu?
- Czym jest plac zabaw TensorFlow?
- Co właściwie oznacza większy zbiór danych?
- Jakie są przykłady hiperparametrów algorytmu?
- Co to jest uczenie się zespołowe?
- Co się stanie, jeśli wybrany algorytm uczenia maszynowego nie będzie odpowiedni i jak można się upewnić, że zostanie on wybrany właściwy?
- Jakie są kluczowe parametry wykorzystywane w algorytmach opartych na sieciach neuronowych?
- Co to jest TensorBoard?
Zobacz więcej pytań i odpowiedzi w EITC/AI/GCML Google Cloud Machine Learning