Η διαδικασία εκπαίδευσης ενός μοντέλου μηχανικής μάθησης περιλαμβάνει την έκθεσή του σε τεράστιες ποσότητες δεδομένων για να μπορέσει να μάθει μοτίβα και να κάνει προβλέψεις ή αποφάσεις χωρίς να είναι ρητά προγραμματισμένος για κάθε σενάριο. Κατά τη φάση εκπαίδευσης, το μοντέλο μηχανικής εκμάθησης υφίσταται μια σειρά επαναλήψεων όπου προσαρμόζει τις εσωτερικές του παραμέτρους για να ελαχιστοποιήσει τα σφάλματα και να βελτιώσει την απόδοσή του στη δεδομένη εργασία.
Η εποπτεία κατά τη διάρκεια της εκπαίδευσης αναφέρεται στο επίπεδο της ανθρώπινης παρέμβασης που απαιτείται για την καθοδήγηση της διαδικασίας μάθησης του μοντέλου. Η ανάγκη για επίβλεψη μπορεί να ποικίλλει ανάλογα με τον τύπο του αλγόριθμου μηχανικής εκμάθησης που χρησιμοποιείται, την πολυπλοκότητα της εργασίας και την ποιότητα των δεδομένων που παρέχονται για εκπαίδευση.
Στην εποπτευόμενη μάθηση, η οποία είναι ένας τύπος μηχανικής μάθησης όπου το μοντέλο εκπαιδεύεται σε δεδομένα με ετικέτα, η επίβλεψη είναι απαραίτητη. Τα επισημασμένα δεδομένα σημαίνει ότι κάθε σημείο δεδομένων εισόδου έχει ζευγαρώσει με τη σωστή έξοδο, επιτρέποντας στο μοντέλο να μάθει την αντιστοίχιση μεταξύ εισόδων και εξόδων. Κατά τη διάρκεια της εποπτευόμενης εκπαίδευσης, απαιτείται ανθρώπινη επίβλεψη για την παροχή των σωστών ετικετών για τα δεδομένα εκπαίδευσης, την αξιολόγηση των προβλέψεων του μοντέλου και την προσαρμογή των παραμέτρων του μοντέλου με βάση την ανάδραση.
Για παράδειγμα, σε μια εργασία αναγνώρισης ελεγχόμενης εικόνας, εάν ο στόχος είναι να εκπαιδεύσει ένα μοντέλο να ταξινομεί εικόνες γατών και σκύλων, ένας ανθρώπινος επόπτης θα πρέπει να ονομάσει κάθε εικόνα είτε ως γάτα είτε ως σκύλο. Στη συνέχεια, το μοντέλο θα μάθαινε από αυτά τα επισημασμένα παραδείγματα να κάνει προβλέψεις για νέες, αόρατες εικόνες. Ο επόπτης θα αξιολογούσε τις προβλέψεις του μοντέλου και θα παρείχε ανατροφοδότηση για να βελτιώσει την ακρίβειά του.
Από την άλλη πλευρά, οι αλγόριθμοι μάθησης χωρίς επίβλεψη δεν απαιτούν δεδομένα με ετικέτα για εκπαίδευση. Αυτοί οι αλγόριθμοι μαθαίνουν μοτίβα και δομές από τα δεδομένα εισόδου χωρίς ρητή καθοδήγηση. Η μάθηση χωρίς επίβλεψη χρησιμοποιείται συχνά για εργασίες όπως η ομαδοποίηση, η ανίχνευση ανωμαλιών και η μείωση διαστάσεων. Στην μάθηση χωρίς επίβλεψη, το μηχάνημα μπορεί να μάθει ανεξάρτητα χωρίς την ανάγκη ανθρώπινης επίβλεψης κατά τη διάρκεια της εκπαίδευσης.
Η ημι-εποπτευόμενη μάθηση είναι μια υβριδική προσέγγιση που συνδυάζει στοιχεία τόσο της εποπτευόμενης όσο και της μη εποπτευόμενης μάθησης. Σε αυτή την προσέγγιση, το μοντέλο εκπαιδεύεται σε συνδυασμό δεδομένων με ετικέτα και χωρίς ετικέτα. Τα δεδομένα με ετικέτα παρέχουν κάποια επίβλεψη για την καθοδήγηση της μαθησιακής διαδικασίας, ενώ τα δεδομένα χωρίς ετικέτα επιτρέπουν στο μοντέλο να ανακαλύψει πρόσθετα μοτίβα και σχέσεις στα δεδομένα.
Η ενισχυτική μάθηση είναι ένα άλλο παράδειγμα της μηχανικής μάθησης όπου ένας πράκτορας μαθαίνει να λαμβάνει διαδοχικές αποφάσεις αλληλεπιδρώντας με ένα περιβάλλον. Στην ενισχυτική μάθηση, ο πράκτορας λαμβάνει ανατροφοδότηση με τη μορφή ανταμοιβών ή κυρώσεων με βάση τις ενέργειές του. Ο πράκτορας μαθαίνει να μεγιστοποιεί τη σωρευτική του ανταμοιβή με την πάροδο του χρόνου μέσω δοκιμής και λάθους. Ενώ η ενισχυτική μάθηση δεν απαιτεί ρητή επίβλεψη με την παραδοσιακή έννοια, η ανθρώπινη επίβλεψη μπορεί να χρειαστεί για τον σχεδιασμό της δομής ανταμοιβής, τον καθορισμό των μαθησιακών στόχων ή τον ακριβή συντονισμό της μαθησιακής διαδικασίας.
Η ανάγκη για επίβλεψη κατά τη διάρκεια της εκπαίδευσης μηχανικής μάθησης εξαρτάται από το μοντέλο μάθησης που χρησιμοποιείται, τη διαθεσιμότητα των δεδομένων με ετικέτα και την πολυπλοκότητα της εργασίας. Η εποπτευόμενη μάθηση απαιτεί ανθρώπινη επίβλεψη για την παροχή δεδομένων με ετικέτα και την αξιολόγηση της απόδοσης του μοντέλου. Η μάθηση χωρίς επίβλεψη δεν απαιτεί επίβλεψη, καθώς το μοντέλο μαθαίνει ανεξάρτητα από δεδομένα χωρίς ετικέτα. Η ημι-εποπτευόμενη μάθηση συνδυάζει στοιχεία τόσο της εποπτευόμενης όσο και της μη εποπτευόμενης μάθησης, ενώ η ενισχυτική μάθηση περιλαμβάνει τη μάθηση μέσω της αλληλεπίδρασης με ένα περιβάλλον.
Άλλες πρόσφατες ερωτήσεις και απαντήσεις σχετικά με EITC/AI/GCML Google Cloud Machine Learning:
- Τι είναι το κείμενο σε ομιλία (TTS) και πώς λειτουργεί με την τεχνητή νοημοσύνη;
- Ποιοι είναι οι περιορισμοί στην εργασία με μεγάλα σύνολα δεδομένων στη μηχανική εκμάθηση;
- Μπορεί η μηχανική μάθηση να προσφέρει κάποια διαλογική βοήθεια;
- Τι είναι η παιδική χαρά TensorFlow;
- Τι σημαίνει στην πραγματικότητα ένα μεγαλύτερο σύνολο δεδομένων;
- Ποια είναι μερικά παραδείγματα υπερπαραμέτρων του αλγορίθμου;
- Τι είναι η εκμάθηση συνόλου;
- Τι γίνεται αν ένας επιλεγμένος αλγόριθμος μηχανικής εκμάθησης δεν είναι κατάλληλος και πώς μπορεί κανείς να βεβαιωθεί ότι θα επιλέξει τον σωστό;
- Ποιες είναι οι βασικές παράμετροι που χρησιμοποιούνται σε αλγόριθμους βασισμένους σε νευρωνικά δίκτυα;
- Τι είναι το TensorBoard;
Δείτε περισσότερες ερωτήσεις και απαντήσεις στο EITC/AI/GCML Google Cloud Machine Learning