فرآیند آموزش یک مدل یادگیری ماشینی شامل قرار دادن آن در معرض حجم وسیعی از داده ها است تا بتواند الگوها را بیاموزد و پیش بینی یا تصمیم گیری کند بدون اینکه به طور صریح برای هر سناریو برنامه ریزی شود. در طول مرحله آموزش، مدل یادگیری ماشین تحت یک سری تکرارها قرار میگیرد که در آن پارامترهای داخلی خود را تنظیم میکند تا خطاها را به حداقل برساند و عملکرد خود را در کار داده شده بهبود بخشد.
نظارت در طول آموزش به سطح مداخله انسانی مورد نیاز برای هدایت فرآیند یادگیری مدل اشاره دارد. نیاز به نظارت می تواند بسته به نوع الگوریتم یادگیری ماشینی مورد استفاده، پیچیدگی کار و کیفیت داده های ارائه شده برای آموزش متفاوت باشد.
در یادگیری نظارت شده، که نوعی یادگیری ماشینی است که در آن مدل بر روی داده های برچسب دار آموزش داده می شود، نظارت ضروری است. دادههای برچسبدار به این معنی است که هر نقطه داده ورودی با خروجی صحیح جفت میشود و به مدل اجازه میدهد تا نگاشت بین ورودیها و خروجیها را بیاموزد. در طول آموزش تحت نظارت، نظارت انسانی برای ارائه برچسب های صحیح برای داده های آموزشی، ارزیابی پیش بینی های مدل و تنظیم پارامترهای مدل بر اساس بازخورد مورد نیاز است.
به عنوان مثال، در یک کار تشخیص تصویر تحت نظارت، اگر هدف آموزش مدلی برای طبقه بندی تصاویر گربه ها و سگ ها باشد، ناظر انسانی باید هر تصویر را به عنوان گربه یا سگ برچسب گذاری کند. سپس مدل از این نمونههای برچسبگذاری شده یاد میگیرد تا روی تصاویر جدید و دیده نشده پیشبینی کند. ناظر پیشبینیهای مدل را ارزیابی میکند و برای بهبود دقت آن بازخورد ارائه میکند.
از سوی دیگر، الگوریتم های یادگیری بدون نظارت به داده های برچسب دار برای آموزش نیاز ندارند. این الگوریتم ها الگوها و ساختارها را از داده های ورودی بدون راهنمایی صریح یاد می گیرند. یادگیری بدون نظارت اغلب برای کارهایی مانند خوشه بندی، تشخیص ناهنجاری و کاهش ابعاد استفاده می شود. در یادگیری بدون نظارت، ماشین می تواند به طور مستقل و بدون نیاز به نظارت انسان در طول آموزش یاد بگیرد.
یادگیری نیمه نظارتی یک رویکرد ترکیبی است که عناصر یادگیری تحت نظارت و بدون نظارت را ترکیب می کند. در این رویکرد، مدل بر روی ترکیبی از داده های برچسب دار و بدون برچسب آموزش داده می شود. دادههای برچسبگذاریشده برخی از نظارتها را برای هدایت فرآیند یادگیری فراهم میکنند، در حالی که دادههای بدون برچسب به مدل اجازه میدهد تا الگوها و روابط اضافی را در دادهها کشف کند.
یادگیری تقویتی پارادایم دیگری از یادگیری ماشینی است که در آن یک عامل یاد می گیرد که با تعامل با یک محیط تصمیمات متوالی بگیرد. در یادگیری تقویتی، عامل بر اساس اقدامات خود بازخوردی را در قالب پاداش یا جریمه دریافت می کند. عامل یاد می گیرد که پاداش تجمعی خود را در طول زمان از طریق آزمون و خطا به حداکثر برساند. در حالی که یادگیری تقویتی به نظارت صریح به معنای سنتی نیاز ندارد، نظارت انسانی ممکن است برای طراحی ساختار پاداش، تعیین اهداف یادگیری یا تنظیم دقیق فرآیند یادگیری مورد نیاز باشد.
نیاز به نظارت در طول آموزش یادگیری ماشین به الگوی یادگیری مورد استفاده، در دسترس بودن داده های برچسب گذاری شده و پیچیدگی کار بستگی دارد. یادگیری تحت نظارت نیاز به نظارت انسانی برای ارائه داده های برچسب دار و ارزیابی عملکرد مدل دارد. یادگیری بدون نظارت نیازی به نظارت ندارد، زیرا مدل به طور مستقل از داده های بدون برچسب یاد می گیرد. یادگیری نیمه نظارتی عناصر یادگیری تحت نظارت و بدون نظارت را ترکیب می کند، در حالی که یادگیری تقویتی شامل یادگیری از طریق تعامل با یک محیط است.
سایر پرسش ها و پاسخ های اخیر در مورد EITC/AI/GCML Google Cloud Machine Learning:
- متن به گفتار (TTS) چیست و چگونه با هوش مصنوعی کار می کند؟
- محدودیت های کار با مجموعه داده های بزرگ در یادگیری ماشین چیست؟
- آیا یادگیری ماشینی می تواند کمک محاوره ای انجام دهد؟
- زمین بازی تنسورفلو چیست؟
- در واقع یک مجموعه داده بزرگتر به چه معناست؟
- چند نمونه از فراپارامترهای الگوریتم چیست؟
- یادگیری گروهی چیست؟
- اگر الگوریتم یادگیری ماشینی انتخاب شده مناسب نباشد چه میشود و چگونه میتوان از انتخاب درست آن مطمئن شد؟
- پارامترهای کلیدی مورد استفاده در الگوریتم های مبتنی بر شبکه عصبی کدامند؟
- TensorBoard چیست؟
سوالات و پاسخهای بیشتر را در EITC/AI/GCML Google Cloud Machine Learning مشاهده کنید