큐:
반지도 학습이 기계 학습에 유용한 모델 인 이유는 무엇입니까?
ㅏ:반 감독 학습은 머신 러닝 시스템의 기능을 중요한 방식으로 확장하고 향상시키기 때문에 머신 러닝 및 딥 러닝 프로세스의 중요한 부분입니다.
첫째, 오늘날의 초기 기계 학습 산업에서 컴퓨터 교육을위한 두 가지 모델이 등장했습니다.이를 감독 및 비지도 학습이라고합니다. 감독 학습은 결과를 유추하기 위해 레이블이 지정된 데이터를 사용한다는 점과 근본적으로 다릅니다. 감독되지 않은 학습은 훈련 데이터 세트에서 각 개체의 속성을 검사하여 레이블이없는 데이터를 외삽하는 것을 포함합니다.
| 무료 다운로드 : 기계 학습 및 중요한 이유 |
전문가들은 여러 가지 예를 사용하여이를 설명합니다. 교육 세트의 객체가 과일 또는 색상 모양 또는 고객 계정인지 여부에 상관없이, 지도 학습의 공통점은 기술이 해당 객체가 무엇인지 알기 시작한다는 것입니다. 기본 분류는 이미 이루어졌습니다 . 대조적으로, 비지도 학습에서, 이 기술은 아직 정의되지 않은 항목을보고 자체 기준에 따라 분류합니다. 이를 "자기 학습"이라고도합니다.
따라서 이것은 반 감독 학습의 주요 유틸리티입니다. 이는 레이블이있는 데이터와 레이블이없는 데이터의 사용을 결합하여 "두 가지 모두의 최고"접근 방식을 얻습니다.
지도 학습은 기술에 더 많은 방향을 제시하지만 비용이 많이 들고 노동 집약적이며 지루하며 훨씬 더 많은 노력이 필요할 수 있습니다. 비지도 학습은 "자동화"되지만 결과는 훨씬 덜 정확할 수 있습니다.
따라서 레이블이 지정된 데이터 세트 (대개 사물 체계에서 더 작은 세트)를 사용하는 경우, 반 감독 학습 방식이 효과적으로 시스템을 "프라이밍"하여 더 잘 분류합니다. 예를 들어, 머신 러닝 시스템이 이진 기준 (흑백 대 백인)에 따라 100 개의 항목을 식별하려고한다고 가정합니다. 각각의 레이블이있는 인스턴스 하나 (흰색, 검은 색 하나)를 갖고 남은 "회색"항목을 가장 적합한 기준에 따라 클러스터링하는 것이 매우 유용 할 수 있습니다. 하지만이 두 항목에 레이블이 붙 자마자 비지도 학습은 반지도 학습이됩니다.
반 감독 학습을 지시 할 때 엔지니어는 레이블이없는 데이터를 평가할 때 기계 학습 시스템에 영향을 미치는 의사 결정 경계를 면밀히 검토하여 레이블이 지정된 결과 중 하나를 분류합니다. 학생들은 모든 구현에서 semi-supervised learning을 가장 잘 사용하는 방법에 대해 생각할 것입니다. 예를 들어 semi-supervised learning 알고리즘은 "1-2"접근 방식을 위해 기존 언 스업 알고리즘을 "랩핑"할 수 있습니다.
반 감독 학습은 현상으로서 기계 학습의 한계를 더욱 앞당길 것입니다. 그것이보다 효과적이고 효율적인 기계 학습 시스템을위한 모든 새로운 가능성을 열어주기 때문입니다.
