Les données produites dans le monde entier de nos jours sont énormes. Ces informations sont créées non seulement par les humains, mais aussi par les smartphones, les ordinateurs et d'autres appareils électroniques.
Un programmeur choisirait sans aucun doute comment former un algorithme qui utilise un modèle d'apprentissage spécifique en fonction du type de données disponibles et de l'incitation offerte.
Faits marquants
- L'apprentissage semi-supervisé est un type d'apprentissage automatique dans lequel un modèle est formé sur des données étiquetées et non étiquetées. En revanche, l'apprentissage par renforcement est un type d'apprentissage automatique où un modèle apprend à prendre des décisions basées sur des récompenses et des punitions.
- L'apprentissage semi-supervisé est plus adapté aux tâches où les données étiquetées sont rares ou coûteuses, tandis que l'apprentissage par renforcement est plus adapté aux tâches où la solution optimale n'est pas connue à l'avance.
- L'apprentissage semi-supervisé est utilisé dans le traitement du langage naturel et la classification d'images, tandis que l'apprentissage par renforcement est utilisé dans la robotique et les jeux.
Apprentissage semi-supervisé ou par renforcement
L'apprentissage semi-supervisé est un machine learning méthode. Dans cette méthode, les données étiquetées et non étiquetées sont combinées. Dans cette combinaison, la quantité de données étiquetées est petite et la quantité de données non étiquetées est importante. Apprentissage par renforcement est un algorithme d'apprentissage basé sur un système de récompense. Le renforcement peut être positif ou négatif.
L'apprentissage semi-supervisé se situe quelque part entre supervisé et Apprentissage non supervisé algorithmes. Il utilise un mélange d'ensembles de données étiquetés et non étiquetés.
Il fonctionne avec des données qui n'ont que quelques étiquettes ; cela fonctionne avec des données non étiquetées. Les étiquettes coûtent cher, mais pour les entreprises, quelques étiquettes peuvent suffire.
L'apprentissage par renforcement n'est qu'une approche d'apprentissage automatique qui récompense les comportements positifs tout en pénalisant les mauvais comportements.
En général, un agent d'apprentissage par renforcement est capable de détecter et d'interpréter son environnement, d'agir et d'apprendre par essais et erreurs.
Les développeurs de l'apprentissage par renforcement proposent un moyen de récompenser les comportements souhaités et de punir les comportements négatifs.
Tableau de comparaison
| Paramètres de comparaison | Apprentissage semi-supervisé | Apprentissage par renforcement |
|---|---|---|
| Définition | Utilise une petite quantité de données étiquetées renforçant un plus grand ensemble de données non étiquetées | Un algorithme avec un système de récompense |
| Objectif | Pour contrer les inconvénients de l'apprentissage supervisé et non supervisé. | Pour apprendre une série d'actions |
| Interaction de l'agent | N'interagit pas | Interagit |
| Application pratique | Analyse de la parole, classification de contenu Internet | Optimisation de trajectoire, planification de mouvement |
| Etiquettes | Il a des étiquettes. | Il n'a pas d'étiquettes. |
Qu'est-ce que l'apprentissage semi-supervisé ?
L'apprentissage semi-supervisé est une méthode d'apprentissage automatique dans laquelle une petite quantité de données étiquetées est combinée à un ensemble de données non étiquetées pendant l'apprentissage.
C'est un type d'apprentissage qui existe entre l'apprentissage non supervisé et l'apprentissage supervisé. C'est un cas extrême de mauvaise supervision.
L'ensemble de données doit être à nouveau annoté manuellement par un ingénieur en apprentissage automatique ou un scientifique des données, ce qui est l'inconvénient le plus important de toute technique d'apprentissage supervisé.
Il s'agit d'une opération très coûteuse, surtout lorsqu'il s'agit de grandes quantités de données. L'inconvénient le plus fondamental de toute méthode d'apprentissage non supervisé est son champ d'application étroit.
Un classificateur de document texte est une application fréquente de l'apprentissage semi-supervisé. Parce qu'il serait pratiquement impossible de trouver un grand nombre de documents texte balisés dans ces circonstances, l'apprentissage semi-supervisé est idéal.
Cela est simplement dû à l'inefficacité de faire lire à quelqu'un des documents en texte intégral simplement pour attribuer une classification simple.
L'inconvénient le plus fondamental de toute technique d'apprentissage supervisé est que l'ensemble de données doit être étiqueté manuellement par les apprenants automatiques.
Il s'agit d'une opération extrêmement coûteuse, en particulier lorsque vous travaillez avec de grandes quantités de données. L'inconvénient le plus fondamental de presque tout apprentissage non supervisé a été sa gamme d'applications étroite.
Les réponses humaines aux tâches d'apprentissage formelles semi-supervisées ont produit une variété de résultats concernant le degré d'effet du matériel non étiqueté.
L'apprentissage semi-supervisé peut également être utilisé pour des problèmes d'apprentissage plus naturels. Une partie substantielle de l'acquisition d'idées humaines combine un peu d'enseignement direct associé à une énorme quantité d'expérience non étiquetée.
Les problèmes d'apprentissage de ce type sont difficiles à résoudre. En conséquence, des algorithmes d'apprentissage semi-supervisés avec des caractéristiques particulières sont nécessaires.
Qu'est-ce que l'apprentissage par renforcement ?
Alors que l'apprentissage par renforcement a piqué la curiosité de nombreuses personnes dans le domaine de l'intelligence artificielle, son acceptation et son utilisation généralisées dans le monde réel restent limitées. Malgré cela, les articles de recherche sur les applications théoriques abondent et il y a eu quelques cas d'utilisation réussis.
Pour obtenir une solution idéale, l'agent est programmé pour rechercher le meilleur rendement global à long terme.
Ces objectifs à long terme empêchent l'agent de caler sur des objectifs à plus court terme. L'agent apprend progressivement à fuir le négatif et à rechercher le positif. Cette stratégie d'apprentissage a été utilisée en intelligence artificielle pour diriger l'apprentissage automatique non supervisé à l'aide de récompenses et de pénalités.
La prise de décisions séquentielle est essentielle à l'apprentissage par renforcement. En termes simples, la sortie est décidée par l'état de l'entrée actuelle et l'entrée suivante est décidée par la sortie de l'entrée précédente.
Puisque les jugements en apprentissage par renforcement restent dépendants, nous nommons des séquences de décision dépendantes.
Il existe deux types de renforcement, à savoir le renforcement positif et le renforcement négatif. Le renforcement positif se produit lorsqu'un événement qui se produit à la suite d'un certain comportement améliore la force et la fréquence du comportement. En d'autres termes, il influence positivement la conduite. Le renforcement négatif est défini comme le renforcement du comportement à la suite de la fin ou de l'évitement d'une circonstance négative.
L'intelligence artificielle est placée dans un environnement de type jeu dans l'apprentissage par renforcement. L'ordinateur utilise des essais et des erreurs pour trouver une solution au problème. Pour persuader l'ordinateur de faire ce que le programmeur désire, l'intelligence artificielle est récompensée ou punie pour les actes qu'elle accomplit. Son objectif est de maximiser le rendement total.
Principales différences entre l'apprentissage semi-supervisé et l'apprentissage par renforcement
- L'apprentissage semi-supervisé utilise des données étiquetées pour renforcer les données non étiquetées, alors que, dans l'apprentissage par renforcement, vous mettez en place un système de récompense pour un algorithme.
- L'objectif principal de l'apprentissage semi-supervisé est de contrer tous les inconvénients des autres processus d'apprentissage, et l'objectif principal de l'apprentissage par renforcement est d'apprendre les actions plus efficacement.
- L'apprentissage semi-supervisé n'interagit pas avec l'agent. L'apprentissage par renforcement interagit avec l'agent.
- Dans la technique de renforcement, les actions entreprises par l'agent influencent la distribution des états qu'il observera dans le futur. Ce n'est pas le cas dans le problème d'apprentissage (semi-)supervisé standard.
- Il n'y a pas d'étiquettes dans l'apprentissage par renforcement, alors qu'il y en a dans l'apprentissage semi-supervisé.
Dernière mise à jour : 25 novembre 2023
J'ai mis tellement d'efforts à écrire ce billet de blog pour vous apporter de la valeur. Cela me sera très utile, si vous envisagez de le partager sur les réseaux sociaux ou avec vos amis/famille. LE PARTAGE C'EST ♥️
Emma Smith est titulaire d'une maîtrise en anglais du Irvine Valley College. Elle est journaliste depuis 2002, écrivant des articles sur la langue anglaise, le sport et le droit. En savoir plus sur moi sur elle page bio.
