Процесс обучения модели машинного обучения включает в себя предоставление ей огромных объемов данных, что позволяет ей изучать закономерности и делать прогнозы или решения без явного программирования для каждого сценария. На этапе обучения модель машинного обучения проходит серию итераций, в ходе которых она корректирует свои внутренние параметры, чтобы минимизировать ошибки и повысить производительность при выполнении поставленной задачи.
Надзор во время обучения относится к уровню человеческого вмешательства, необходимому для управления процессом обучения модели. Потребность в контроле может варьироваться в зависимости от типа используемого алгоритма машинного обучения, сложности задачи и качества данных, предоставляемых для обучения.
В обучении с учителем, которое представляет собой тип машинного обучения, при котором модель обучается на помеченных данных, контроль имеет важное значение. Маркированные данные означают, что каждая точка входных данных связана с правильными выходными данными, что позволяет модели изучить сопоставление между входными и выходными данными. Во время обучения с учителем требуется контроль человека для предоставления правильных меток обучающим данным, оценки прогнозов модели и корректировки параметров модели на основе обратной связи.
Например, в задаче контролируемого распознавания изображений, если цель состоит в том, чтобы научить модель классифицировать изображения кошек и собак, руководителю-человеку необходимо будет пометить каждое изображение как кошку или собаку. Затем модель будет учиться на этих помеченных примерах, чтобы делать прогнозы на основе новых, невидимых изображений. Руководитель будет оценивать прогнозы модели и предоставлять обратную связь для повышения ее точности.
С другой стороны, алгоритмы обучения без учителя не требуют для обучения размеченных данных. Эти алгоритмы изучают шаблоны и структуры на основе входных данных без явного руководства. Обучение без учителя часто используется для таких задач, как кластеризация, обнаружение аномалий и уменьшение размерности. При обучении без присмотра машина может обучаться самостоятельно, без необходимости контроля со стороны человека во время обучения.
Обучение с полуконтролем — это гибридный подход, сочетающий в себе элементы как контролируемого, так и неконтролируемого обучения. В этом подходе модель обучается на комбинации помеченных и неразмеченных данных. Размеченные данные обеспечивают некоторый контроль над процессом обучения, а неразмеченные данные позволяют модели обнаруживать дополнительные закономерности и взаимосвязи в данных.
Обучение с подкреплением — это еще одна парадигма машинного обучения, в которой агент учится принимать последовательные решения, взаимодействуя с окружающей средой. При обучении с подкреплением агент получает обратную связь в виде вознаграждений или наказаний в зависимости от своих действий. Агент учится максимизировать совокупное вознаграждение с течением времени методом проб и ошибок. Хотя обучение с подкреплением не требует явного контроля в традиционном смысле, человеческий контроль может потребоваться для разработки структуры вознаграждения, постановки целей обучения или точной настройки процесса обучения.
Необходимость контроля во время обучения машинному обучению зависит от используемой парадигмы обучения, наличия размеченных данных и сложности задачи. Обучение с учителем требует человеческого контроля для предоставления размеченных данных и оценки эффективности модели. Обучение без учителя не требует надзора, поскольку модель обучается независимо от немаркированных данных. Обучение с полуконтролем сочетает в себе элементы как контролируемого, так и неконтролируемого обучения, тогда как обучение с подкреплением предполагает обучение посредством взаимодействия с окружающей средой.
Другие недавние вопросы и ответы, касающиеся EITC/AI/GCML Машинное обучение Google Cloud:
- Что такое преобразование текста в речь (TTS) и как оно работает с искусственным интеллектом?
- Каковы ограничения при работе с большими наборами данных в машинном обучении?
- Может ли машинное обучение оказать некоторую диалогическую помощь?
- Что такое игровая площадка TensorFlow?
- Что на самом деле означает больший набор данных?
- Каковы примеры гиперпараметров алгоритма?
- Что такое ансамблевое обучение?
- Что делать, если выбранный алгоритм машинного обучения не подходит и как можно убедиться, что выбран правильный?
- Какие ключевые параметры используются в алгоритмах на основе нейронных сетей?
- Что такое Тензорборд?
Просмотреть дополнительные вопросы и ответы в EITC/AI/GCML Google Cloud Machine Learning