प्रश्न:
अर्ध-पर्यवेक्षित शिक्षण मशीन सीखने के लिए एक सहायक मॉडल क्यों है?
ए:सेमी-सुपरवाइज्ड लर्निंग मशीन लर्निंग और डीप लर्निंग प्रोसेस का एक महत्वपूर्ण हिस्सा है, क्योंकि यह महत्वपूर्ण तरीके से मशीन लर्निंग सिस्टम की क्षमताओं को बढ़ाता और बढ़ाता है।
सबसे पहले, आज के नवजात मशीन सीखने के उद्योग में, कंप्यूटर के प्रशिक्षण के लिए दो मॉडल उभरे हैं: इन्हें पर्यवेक्षित और अनुपयोगी शिक्षा कहा जाता है। वे मौलिक रूप से अलग हैं कि पर्यवेक्षित अधिगम में परिणाम के लिए लेबल किए गए डेटा का उपयोग करना शामिल है, और अप्रशिक्षित शिक्षण में प्रशिक्षण डेटा सेट में प्रत्येक ऑब्जेक्ट के गुणों की जांच के माध्यम से अनलिस्टेड डेटा से एक्सट्रपलेशन करना शामिल है।
| मुफ्त डाउनलोड: मशीन लर्निंग और क्यों यह मायने रखता है |
विशेषज्ञ इसे कई अलग-अलग उदाहरणों के उपयोग से समझाते हैं: चाहे प्रशिक्षण सेट में वस्तुएं फल हों या रंगीन आकृतियाँ या ग्राहक खाते हों, पर्यवेक्षित शिक्षण में समानता यह है कि तकनीक यह जानना शुरू करती है कि वे वस्तुएं क्या हैं - प्राथमिक वर्गीकरण पहले ही बनाए जा चुके हैं । इसके विपरीत, अनिश्चित सीखने में, प्रौद्योगिकी के रूप में अभी तक अपरिभाषित वस्तुओं को देखता है और मानदंडों के अपने उपयोग के अनुसार उन्हें वर्गीकृत करता है। इसे कभी-कभी "स्व-शिक्षा" के रूप में जाना जाता है।
यह, फिर, अर्ध-पर्यवेक्षित सीखने की प्राथमिक उपयोगिता है: यह "दोनों का सबसे अच्छा" दृष्टिकोण प्राप्त करने के लिए लेबल और गैर-लेबल डेटा के उपयोग को जोड़ती है।
सुपरवाइज्ड लर्निंग तकनीक को आगे बढ़ने के लिए और अधिक दिशा देता है, लेकिन यह महंगा, श्रम-गहन, थकाऊ हो सकता है और इसके लिए बहुत अधिक प्रयास की आवश्यकता होती है। अनसुनी शिक्षा अधिक "स्वचालित" है, लेकिन परिणाम बहुत कम सटीक हो सकते हैं।
तो लेबल डेटा के एक सेट का उपयोग करने में (अक्सर चीजों की भव्य योजना में एक छोटा सा सेट) एक अर्ध-पर्यवेक्षित सीखने के दृष्टिकोण को प्रभावी ढंग से वर्गीकृत करने के लिए सिस्टम को "प्रिम्स" करता है। उदाहरण के लिए, मान लीजिए कि एक मशीन लर्निंग सिस्टम बाइनरी मानदंड (काले बनाम सफेद) के अनुसार 100 वस्तुओं की पहचान करने की कोशिश कर रहा है। यह अत्यंत उपयोगी हो सकता है कि प्रत्येक के एक लेबल उदाहरण (एक सफेद, एक काला) हो और फिर जो भी सबसे अच्छा मापदंड हो उसके अनुसार शेष "ग्रे" आइटम को क्लस्टर करें। जैसे ही उन दो वस्तुओं को लेबल किया जाता है, हालांकि, बिना पढ़ी हुई शिक्षा अर्ध-पर्यवेक्षित शिक्षा बन जाती है।
अर्ध-पर्यवेक्षित सीखने का निर्देशन करने में, इंजीनियर निर्णय सीमाओं पर बारीकी से देखते हैं जो मशीन लर्निंग सिस्टम को एक या दूसरे लेबल वाले परिणाम को वर्गीकृत करने के लिए प्रभावित करते हैं जब बिना लेबल किए डेटा का मूल्यांकन करते हैं। वे किसी भी कार्यान्वयन में अर्ध-पर्यवेक्षित शिक्षण का सबसे अच्छा उपयोग कैसे करें, इसके बारे में सोचेंगे: उदाहरण के लिए, एक अर्ध-पर्यवेक्षित शिक्षण एल्गोरिथ्म एक "एक-दो" दृष्टिकोण के लिए एक मौजूदा अनचाहे एल्गोरिथ्म को "लपेट" सकता है।
एक घटना के रूप में अर्ध-पर्यवेक्षित शिक्षण मशीन लर्निंग के अग्रभाग को आगे बढ़ाने के लिए निश्चित है, क्योंकि यह अधिक प्रभावी और अधिक कुशल मशीन लर्निंग सिस्टम के लिए सभी प्रकार की नई संभावनाओं को खोलता है।
