Mašininio mokymosi modelio mokymo procesas apima didžiulį duomenų kiekį, kad jis galėtų išmokti modelius ir priimti prognozes ar sprendimus, nebūdamas aiškiai užprogramuotas kiekvienam scenarijui. Mokymo etapo metu mašininio mokymosi modelis atlieka keletą iteracijų, kurių metu jis koreguoja savo vidinius parametrus, kad sumažintų klaidas ir pagerintų atliktą užduotį.
Priežiūra mokymo metu reiškia žmogaus įsikišimo lygį, reikalingą modelio mokymosi procesui vadovauti. Priežiūros poreikis gali skirtis priklausomai nuo naudojamo mašininio mokymosi algoritmo tipo, užduoties sudėtingumo ir mokymui teikiamų duomenų kokybės.
Prižiūrimo mokymosi, kuris yra mašininio mokymosi tipas, kai modelis mokomas naudojant pažymėtus duomenis, priežiūra yra labai svarbi. Pažymėti duomenys reiškia, kad kiekvienas įvesties duomenų taškas yra suporuotas su teisinga išvestimi, todėl modelis gali išmokti susieti įvestis ir išvestis. Prižiūrimų mokymų metu reikalinga žmogaus priežiūra, siekiant pateikti teisingas mokymo duomenų etiketes, įvertinti modelio prognozes ir koreguoti modelio parametrus pagal grįžtamąjį ryšį.
Pavyzdžiui, atliekant prižiūrimą vaizdų atpažinimo užduotį, jei tikslas yra išmokyti modelį klasifikuoti kačių ir šunų atvaizdus, žmogaus vadovas kiekvieną vaizdą turėtų pažymėti kaip katę arba šunį. Tada modelis pasimokytų iš šių paženklintų pavyzdžių, kad galėtų prognozuoti naujus, nematytus vaizdus. Vadovas įvertintų modelio prognozes ir pateiktų grįžtamąjį ryšį, kad pagerintų jo tikslumą.
Kita vertus, neprižiūrimi mokymosi algoritmai nereikalauja pažymėtų duomenų mokymui. Šie algoritmai išmoksta šablonus ir struktūras iš įvesties duomenų be aiškių nurodymų. Neprižiūrimas mokymasis dažnai naudojamas tokioms užduotims kaip grupavimas, anomalijų aptikimas ir matmenų mažinimas. Mokantis be priežiūros, mašina gali mokytis savarankiškai, be žmogaus priežiūros mokymosi metu.
Pusiau prižiūrimas mokymasis yra hibridinis metodas, apjungiantis tiek prižiūrimo, tiek neprižiūrimo mokymosi elementus. Taikant šį metodą, modelis yra apmokytas pažymėtų ir nepažymėtų duomenų deriniu. Pažymėti duomenys suteikia tam tikrą priežiūrą, kad būtų galima vadovauti mokymosi procesui, o nepažymėti duomenys leidžia modeliui atrasti papildomų duomenų šablonų ir ryšių.
Sustiprinimo mokymasis yra dar viena mašininio mokymosi paradigma, kai agentas mokosi priimti nuoseklius sprendimus sąveikaudamas su aplinka. Pastiprinimo mokymosi metu agentas gauna grįžtamąjį ryšį kaip atlygį arba nuobaudas, pagrįstas jo veiksmais. Agentas išmoksta maksimaliai padidinti savo kaupiamą atlygį laikui bėgant per bandymus ir klaidas. Nors stiprinant mokymąsi nereikia aiškios priežiūros tradicine prasme, gali prireikti žmogaus priežiūros, kad būtų galima sukurti atlygio struktūrą, nustatyti mokymosi tikslus arba tobulinti mokymosi procesą.
Priežiūros poreikis mašininio mokymosi mokymo metu priklauso nuo naudojamos mokymosi paradigmos, pažymėtų duomenų prieinamumo ir užduoties sudėtingumo. Prižiūrimas mokymasis reikalauja žmogaus priežiūros, kad būtų pateikti pažymėti duomenys ir įvertintas modelio veikimas. Neprižiūrimas mokymasis nereikalauja priežiūros, nes modelis mokosi nepriklausomai nuo nepažymėtų duomenų. Pusiau prižiūrimas mokymasis sujungia tiek prižiūrimo, tiek neprižiūrimo mokymosi elementus, o sustiprinamas mokymasis apima mokymąsi sąveikaujant su aplinka.
Kiti naujausi klausimai ir atsakymai apie EITC/AI/GCML „Google Cloud Machine Learning“:
- Kas yra tekstas į kalbą (TTS) ir kaip jis veikia su AI?
- Kokie yra apribojimai dirbant su dideliais duomenų rinkiniais mašininio mokymosi metu?
- Ar mašininis mokymasis gali padėti dialogui?
- Kas yra TensorFlow žaidimų aikštelė?
- Ką iš tikrųjų reiškia didesnis duomenų rinkinys?
- Kokie yra algoritmo hiperparametrų pavyzdžiai?
- Kas yra ansamblinis mokymasis?
- Ką daryti, jei pasirinktas mašininio mokymosi algoritmas netinka ir kaip įsitikinti, kad pasirinksite tinkamą?
- Kokie pagrindiniai parametrai naudojami neuroniniais tinklais pagrįstuose algoritmuose?
- Kas yra TensorBoard?
Peržiūrėkite daugiau klausimų ir atsakymų EITC/AI/GCML Google Cloud Machine Learning