De gegevens die tegenwoordig over de hele wereld worden geproduceerd, zijn enorm. Deze informatie wordt niet alleen door mensen gemaakt, maar ook door smartphones, computers en andere elektronische apparaten.
Een programmeur zou ongetwijfeld kiezen hoe hij een algoritme traint dat een specifiek leermodel gebruikt op basis van het type beschikbare gegevens en de aangeboden stimulans.
Key Takeaways
- Semi-supervised learning is een vorm van machine learning waarbij een model wordt getraind op gelabelde en niet-gelabelde gegevens. Reinforced learning daarentegen is een vorm van machine learning waarbij een model leert om beslissingen te nemen op basis van beloningen en straffen.
- Semi-supervised learning is meer geschikt voor taken waarbij gelabelde gegevens schaars of duur zijn, terwijl Reinforcement Learning meer geschikt is voor taken waarbij de optimale oplossing niet van tevoren bekend is.
- Semi-onder toezicht leren wordt gebruikt bij de verwerking van natuurlijke taal en beeldclassificatie, terwijl versterkend leren wordt gebruikt bij robotica en het spelen van games.
Semi-supervised versus versterkend leren
Semi-begeleid leren is een machine learning methode. Bij deze methode worden gelabelde en niet-gelabelde gegevens met elkaar gecombineerd. In deze combinatie is de hoeveelheid gelabelde data klein en de hoeveelheid niet-gelabelde data groot. Versterking leren is een leeralgoritme gebaseerd op een beloningssysteem. Versterking kan positief of negatief zijn.
Semi-supervised leren zit ergens tussen begeleid en Niet-gecontroleerd leren algoritmen. Het maakt gebruik van een mix van gelabelde en niet-gelabelde datasets.
Het werkt met gegevens die slechts een paar labels hebben; het werkt met ongelabelde gegevens. Etiketten zijn duur, maar voor zakelijke doeleinden kunnen een paar etiketten voldoende zijn.
Reinforcement learning is slechts een machine learning-benadering die positief gedrag beloont en slecht gedrag bestraft.
Over het algemeen is een versterkend leermiddel in staat om zijn omgeving aan te voelen en te interpreteren, te handelen en te leren door middel van vallen en opstaan.
Ontwikkelaars van bekrachtigend leren stellen een manier voor om gewenst gedrag te belonen en negatief gedrag te bestraffen.
Vergelijkingstabel
| Parameters van vergelijking: | Semi-begeleid leren | Versterking leren |
|---|---|---|
| Definitie | Gebruikt een kleine hoeveelheid gelabelde gegevens ter ondersteuning van een grotere set niet-gelabelde gegevens | Een algoritme met een beloningssysteem |
| Streven | Om de nadelen van begeleid en onbewaakt leren tegen te gaan. | Om een reeks acties te leren |
| Interactie van de agent | Heeft geen interactie | Interacties |
| Praktische toepassing | Spraakanalyse, classificatie van internetinhoud | Trajectoptimalisatie, bewegingsplanning |
| labels | Het heeft etiketten. | Het heeft geen etiketten. |
Wat is semi-begeleid leren?
Semi-supervised learning is een methode van machinaal leren waarbij tijdens de training een kleine hoeveelheid gelabelde data wordt gecombineerd met een set niet-gelabelde data.
Het is een vorm van leren die bestaat tussen leren zonder toezicht en leren onder toezicht. Het is een extreem geval van slecht toezicht.
De dataset moet opnieuw handmatig worden geannoteerd door een Machine Learning Engineer of een Data Scientist, wat het belangrijkste nadeel is van elke Supervised Learning-techniek.
Dit is een zeer kostbare operatie, vooral als het om grote hoeveelheden gegevens gaat. Het meest fundamentele nadeel van elke Unsupervised Learning-methode is de beperkte toepasbaarheid.
Een classificatie van tekstdocumenten is een veel voorkomende toepassing van semi-gesuperviseerd leren. Omdat het in deze omstandigheid praktisch onmogelijk zou zijn om een groot aantal getagde tekstdocumenten te vinden, is semi-gesuperviseerd leren ideaal.
Dit is simpelweg te wijten aan de inefficiëntie om iemand full-text documenten te laten lezen om een eenvoudige classificatie toe te kennen.
Het meest fundamentele nadeel van elke Supervised Learning-techniek is dat de dataset handmatig moet worden gelabeld door machineleerders.
Dit is een extreem dure operatie, vooral wanneer u met grote hoeveelheden gegevens werkt. Het meest fundamentele nadeel van bijna elk onbewaakt leren is het beperkte toepassingsbereik.
Menselijke antwoorden op formele semi-gesuperviseerde leertaken hebben een verscheidenheid aan resultaten opgeleverd met betrekking tot de mate van effect van niet-gelabeld materiaal.
Semi-supervised learning kan ook worden gebruikt voor meer natuurlijke leerproblemen. Een substantieel deel van de menselijke ideeverwerving combineert een beperkt beetje direct onderwijs gecombineerd met een enorme hoeveelheid niet-gelabelde ervaring.
Dit soort leerproblemen zijn moeilijk op te lossen. Als gevolg hiervan zijn semi-gesuperviseerde leeralgoritmen met bepaalde kenmerken vereist.
Wat is versterkend leren?
Hoewel versterkend leren de nieuwsgierigheid van velen op het gebied van kunstmatige intelligentie heeft gewekt, blijft de wijdverbreide, real-world acceptatie en het gebruik ervan beperkt. Desondanks zijn er veel onderzoeksdocumenten over theoretische toepassingen en zijn er enkele succesvolle use-cases geweest.
Om tot een ideale oplossing te komen, is de makelaar geprogrammeerd om te streven naar het hoogste rendement op de lange termijn.
Deze langetermijndoelstellingen voorkomen dat de agent vastloopt op kortetermijndoelstellingen. De agent leert geleidelijk het negatieve te mijden en het positieve te zoeken. Deze leerstrategie is gebruikt in kunstmatige intelligentie om machinaal leren zonder toezicht te sturen met behulp van beloningen en straffen.
Het opeenvolgend nemen van beslissingen is essentieel om leren te versterken. In eenvoudige woorden, de uitvoer wordt bepaald door de status van de huidige invoer en de volgende invoer wordt bepaald door de uitvoer van de vorige invoer.
Omdat oordelen bij bekrachtigend leren afhankelijk blijven, noemen we afhankelijke beslissingsreeksen.
Er zijn twee soorten bekrachtiging, namelijk positieve en negatieve bekrachtiging. Positieve bekrachtiging vindt plaats wanneer een gebeurtenis die optreedt als gevolg van een bepaald gedrag de kracht en frequentie van het gedrag verbetert. Het beïnvloedt met andere woorden het gedrag positief. Negatieve bekrachtiging wordt gedefinieerd als gedragsversterking als gevolg van het beëindigen of vermijden van een negatieve omstandigheid.
Kunstmatige intelligentie wordt in een game-achtige omgeving geplaatst bij bekrachtigend leren. De computer gebruikt vallen en opstaan om een oplossing voor het probleem te vinden. Om de computer te overtuigen om te doen wat de programmeur verlangt, wordt de kunstmatige intelligentie beloond of gestraft voor de handelingen die het doet. Het doel is om het volledige rendement te maximaliseren.
Belangrijkste verschillen tussen semi-supervised en Reinforcement Learning
- Semi-supervised learning gebruikt gelabelde data om niet-gelabelde data te versterken, terwijl je bij Reinforcement Learning een beloningssysteem opzet voor een algoritme.
- Het belangrijkste doel van semi-gesuperviseerd leren is om alle nadelen van andere leerprocessen tegen te gaan, en het belangrijkste doel van versterkend leren is om acties efficiënter te leren.
- Semi-supervised learning heeft geen interactie met de agent. Reinforcement learning heeft interactie met de agent.
- In de versterkingstechniek beïnvloeden de acties die door de agent zijn ondernomen de verdeling van toestanden die hij in de toekomst zal waarnemen. Bij de standaard (semi-)begeleide leerproblematiek is dit niet het geval.
- Er zijn geen labels bij versterkend leren, terwijl er wel sprake is van semi-gesuperviseerd leren.
Laatst bijgewerkt: 25 november 2023
Ik heb zoveel moeite gestoken in het schrijven van deze blogpost om jou van waarde te kunnen zijn. Het zal erg nuttig voor mij zijn, als je overweegt het te delen op sociale media of met je vrienden/familie. DELEN IS ️
Emma Smith heeft een MA in Engels van Irvine Valley College. Ze is journalist sinds 2002 en schrijft artikelen over de Engelse taal, sport en recht. Lees meer over mij op haar bio pagina.
