Машин сургалтын талбар нь янз бүрийн төрлийн өгөгдөл, асуудалд тохирсон төрөл бүрийн арга зүй, парадигмуудыг хамардаг. Эдгээр парадигмуудын дотроос хяналттай болон хяналтгүй суралцах нь хамгийн үндсэн хоёр зүйл юм.
Хяналттай сургалт нь оролтын өгөгдлийг зөв гаралттай хослуулсан шошготой өгөгдлийн багц дээр загварыг сургах явдал юм. Загвар нь өөрийн таамаглал болон бодит гаралтын хоорондох алдааг багасгах замаар орцыг гаралт руу буулгаж сурдаг. Нөгөө талаас хяналтгүй сургалт нь шошгогүй өгөгдөлтэй харьцдаг бөгөөд зорилго нь олон тооны өгөгдлийн цэгүүдийн дотор байгаа байгалийн бүтцийг дүгнэх явдал юм.
Хяналттай болон хяналтгүй сургалтын аргуудыг нэгтгэсэн сургалтын нэг төрөл байдаг бөгөөд үүнийг ихэвчлэн хагас удирдлагатай сургалт гэж нэрлэдэг. Энэ арга нь сургалтын явцад шошготой болон хаяггүй өгөгдлийг хоёуланг нь ашигладаг. Хагас хяналттай сургалтын үндэслэл нь шошгогүй өгөгдлийг бага хэмжээний шошготой өгөгдөлтэй хамт ашигласнаар сургалтын нарийвчлалыг мэдэгдэхүйц сайжруулдаг. Энэ нь ялангуяа шошготой өгөгдөл ховор эсвэл олж авахад үнэтэй байдаг ч шошгогүй мэдээлэл элбэг бөгөөд цуглуулахад хялбар байдаг тохиолдолд энэ нь ялангуяа ашигтай байдаг.
Хагас хяналттай сургалт нь шошгогүй өгөгдлийн суурь бүтэц нь шошготой өгөгдөлд нэмэлт үнэ цэнэтэй мэдээллээр хангаж чадна гэсэн таамаглал дээр тулгуурладаг. Энэ таамаглал нь кластерын таамаглал, олон талт таамаглал эсвэл бага нягтралтай тусгаарлах таамаглал зэрэг хэд хэдэн хэлбэртэй байж болно. Кластерын таамаглал нь нэг кластер дахь өгөгдлийн цэгүүд ижил шошготой байх магадлалтай гэж үздэг. Олон талт таамаглал нь өндөр хэмжээст өгөгдөл нь хамаагүй бага хэмжээст олон талт дээр оршдог болохыг харуулж байгаа бөгөөд даалгавар бол энэ олон талт байдлыг судлах явдал юм. Бага нягтралтай тусгаарлах таамаглал нь шийдвэрийн хил хязгаар нь өгөгдлийн нягтрал багатай бүсэд байх ёстой гэсэн санаан дээр суурилдаг.
Хагас удирдлагатай сургалтанд хэрэглэгддэг нийтлэг аргуудын нэг бол бие даан сургах явдал юм. Өөрийгөө сургахдаа загвар өмсөгчийг эхлээд шошготой өгөгдөл дээр сургадаг. Дараа нь шошгогүй өгөгдөл дээрх өөрийн таамаглалыг псевдо шошго болгон ашигладаг. Энэхүү сайжруулсан өгөгдлийн багц дээр загварыг цаашид сургаж, урьдчилан таамаглалаа дахин сайжруулдаг. Өөр нэг арга бол өгөгдлийн өөр өөр үзэл бодол дээр хоёр ба түүнээс дээш загварыг нэгэн зэрэг сургадаг хамтарсан сургалт юм. Загвар бүр нь шошгогүй өгөгдлийн зарим хэсгийг шошголох үүрэгтэй бөгөөд дараа нь бусад загваруудыг сургахад ашигладаг. Энэ арга нь сургалтын гүйцэтгэлийг сайжруулахын тулд өгөгдлийн олон удаагийн харагдах байдлыг ашигладаг.
График дээр суурилсан аргууд нь хагас удирдлагатай сургалтанд ч зонхилж байна. Эдгээр аргууд нь зангилаа нь өгөгдлийн цэгүүдийг, ирмэгүүд нь тэдгээрийн хоорондох ижил төстэй байдлыг илэрхийлдэг графикийг бүтээдэг. Дараа нь сургалтын даалгаврыг график дээр суурилсан оновчлолын бодлого болгон шинэчлэн боловсруулж, графикийн бүтцийг хадгалахын зэрэгцээ шошготой цэгүүдээс шошгогүй шошго руу шилжүүлэх зорилготой юм. Эдгээр техникүүд нь нийгмийн сүлжээ, биологийн сүлжээ гэх мэт өгөгдөл нь байгалийн сүлжээг бүрдүүлдэг домэйнуудад үр дүнтэй байдаг.
Хяналттай болон хяналтгүй сургалтыг хослуулах өөр нэг арга бол олон даалгаварт суралцах явдал юм. Олон даалгаварт суралцах үед олон сургалтын даалгаврыг нэгэн зэрэг шийдэж, даалгавруудын нийтлэг болон ялгааг ашигладаг. Үүнийг нэг даалгавраас олж авсан мэдлэг нь нөгөө ажлыг сайжруулахад тусалдаг индуктив дамжуулалтын хэлбэр гэж үзэж болно. Олон даалгаварт суралцах нь даалгавруудын дунд мэдээлэл дамжуулах боломжийг олгодог нийтлэг төлөөлөл эсвэл онцлог орон зай байгаа тохиолдолд ялангуяа ашигтай байж болно.
Хагас хяналттай сургалтын практик жишээ бол байгалийн хэл боловсруулах (NLP) талбар юм. Өгөгдсөн текстийг эерэг эсвэл сөрөг гэж ангилах зорилго бүхий мэдрэмжийн шинжилгээний даалгаврыг авч үзье. Сэтгэгдлийн шошготой шүүмж зэрэг шошготой өгөгдөл хязгаарлагдмал байж болно. Гэсэн хэдий ч маш их хэмжээний шошгогүй текст байдаг. Хагас хяналттай сургалтын арга нь шошготой өгөгдөл дээр мэдрэмжийн ангилагчийг сургаж, шошгогүй өгөгдлийн мэдрэмжийг урьдчилан таамаглахад ашиглах явдал юм. Дараа нь эдгээр таамаглалыг нэмэлт сургалтын өгөгдөл болгон ашиглаж, ангилагчийн гүйцэтгэлийг сайжруулж болно.
Өөр нэг жишээг зургийн ангилалаас олж болно. Ихэнх тохиолдолд шошготой зураг авах нь хөдөлмөр их шаарддаг бөгөөд зардал ихтэй байдаг бол шошгогүй зургууд их байдаг. Хагас хяналттай арга нь анхны загварыг сургахдаа шошготой жижиг багц зургийг ашиглахыг агуулж болно. Энэ загварыг дараа нь псевдо шошго үүсгэхийн тулд шошгогүй зургуудад хэрэглэж, дараа нь загварыг дахин сургахад ашигладаг.
Хагас хяналттай сургалт болон холбогдох арга зүйгээр дамжуулан хяналттай болон хяналтгүй сургалтыг нэгтгэх нь машин сургалтын хүчирхэг арга барил юм. Хоёр парадигмын давуу талыг ашигласнаар, ялангуяа шошготой өгөгдөл хязгаарлагдмал боловч шошгогүй өгөгдөл элбэг байдаг домэйнуудын загвар гүйцэтгэлийг мэдэгдэхүйц сайжруулах боломжтой. Энэ арга нь загваруудын хязгаарлагдмал өгөгдлөөс ерөнхийлөн дүгнэх чадварыг сайжруулаад зогсохгүй нарийн төвөгтэй өгөгдлийн багцын үндсэн бүтцийг ойлгох илүү бат бөх тогтолцоог бүрдүүлдэг.
Сүүлийн үеийн бусад асуулт, хариулт EITC/AI/GCML Google Cloud Machine Learning:
- Тоглогчдын зурсан doodles-ийг тайлбарлах нь юу вэ?
- Унших материалд "зөв алгоритм сонгох" тухай ярих нь үндсэндээ бүх боломжит алгоритмууд аль хэдийн байгаа гэсэн үг үү? Алгоритм нь тодорхой асуудалд "зөв" гэдгийг бид яаж мэдэх вэ?
- Машины сургалтанд ашигладаг гиперпараметрүүд юу вэ?
- Whawt бол машин сургалтын програмчлалын хэл бөгөөд зүгээр л Python хэл юм
- Шинжлэх ухааны ертөнцөд машин сургалтыг хэрхэн ашигладаг вэ?
- Та ямар машин сургалтын алгоритмыг ашиглахаа хэрхэн шийдэж, түүнийг хэрхэн олох вэ?
- Холбооны сургалт, захын тооцоолол, төхөөрөмж дээрх машин сургалтын хооронд ямар ялгаа байдаг вэ?
- Сургалтын өмнө өгөгдлийг хэрхэн бэлтгэх, цэвэрлэх вэ?
- Машин сургалтын төслийн тодорхой эхний даалгавар, үйл ажиллагаанууд юу вэ?
- Тодорхой машин сургалтын стратеги, загварыг хэрэгжүүлэхэд ямар дүрэм журам байдаг вэ?
EITC/AI/GCML Google Cloud Machine Learning-ээс бусад асуулт, хариултуудыг харна уу
Илүү олон асуулт, хариулт:
- Талбар: Хиймэл оюун
- хөтөлбөр: EITC/AI/GCML Google Cloud Machine Learning (гэрчилгээжүүлэх хөтөлбөрт очно уу)
- Хичээл: Оршил (холбогдох хичээл рүүгээ яв)
- сэдэв: Машины сургалт гэж юу вэ (холбогдох сэдэв рүү оч)