Подаци који се данас производе широм света су огромни. Ове информације не стварају само људи, већ и паметни телефони, рачунари и други електронски уређаји.
Програмер би несумњиво изабрао како да обучи алгоритам који користи специфичан модел учења на основу врсте доступних података и понуђеног подстицаја.
Кључне Такеаваис
- Полунадгледано учење је врста машинског учења где се модел обучава на обележеним и неозначеним подацима. Насупрот томе, учење уз помоћ је врста машинског учења где модел учи да доноси одлуке на основу награда и казни.
- Полу-надгледано учење је погодније за задатке где су означени подаци оскудни или скупи, док је учење са појачањем погодније за задатке за које се не зна унапред оптимално решење.
- Полунадгледано учење се користи у обради природног језика и класификацији слика, док се учење са појачањем користи у роботици и игрању игара.
Полунадгледано у односу на учење са појачањем
Полунадгледано учење је а Машина учење методом. У овој методи, означени и неозначени подаци се комбинују заједно. У овој комбинацији, количина означених података је мала, а количина неозначених података велика. Ојачавање учења је алгоритам учења заснован на систему награђивања. Појачање може бити позитивно или негативно.
Полу-надгледано учење се налази негде између надгледаног и Ненадзоровано учење алгоритми. Користи мешавину означених и необележених скупова података.
Ради са подацима који имају само неколико ознака; ради са неозначеним подацима. Етикете су скупе, али за корпоративне сврхе, неколико етикета може бити довољно.
Учење са појачањем је само приступ машинском учењу који награђује позитивно понашање док кажњава лоше понашање.
Генерално, агент за учење са појачањем је способан да осети и тумачи своје окружење, делује и учи путем покушаја и грешака.
Програмери учења са поткрепљењем предлажу начин награђивања жељеног понашања и кажњавања негативног понашања.
Упоредна табела
| Параметри поређења | Полу-надгледано учење | Учење ојачања |
|---|---|---|
| Дефиниција | Користи малу количину означених података који подржава већи скуп неозначених података | Алгоритам са системом награђивања |
| Циљ | Да се супротстави недостацима надгледаног и ненадгледаног учења. | Да научите низ акција |
| Интеракција агента | Не реагује | Интерагује |
| Практична примена | Анализа говора, класификација интернет садржаја | Оптимизација путање, планирање кретања |
| етикете | Има етикете. | Нема етикете. |
Шта је полунадгледано учење?
Полу-надгледано учење је метода машинског учења у којој се мала количина означених података комбинује са скупом неозначених током тренинга.
То је врста учења која постоји између учења без надзора и учења под надзором. То је екстреман случај лошег надзора.
Инжењер машинског учења или научник за податке мора поново ручно да означи скуп података, што је најважнији недостатак било које технике надгледаног учења.
Ово је веома скупа операција, посебно када се ради са великим количинама података. Најосновнији недостатак било које методе ненадгледаног учења је њен уски обим применљивости.
Класификатор текстуалних докумената је честа примена полунадгледаног учења. Пошто би у овој ситуацији било практично немогуће пронаћи велики број означених текстуалних докумената, полунадгледано учење је идеално.
Ово је једноставно због неефикасности да неко чита документе целог текста само да би доделио једноставну класификацију.
Најосновнији недостатак било које технике надгледаног учења је то што ученици машинског учења морају ручно означити скуп података.
Ово је изузетно скупа операција, посебно када се ради са великим количинама података. Најосновнији недостатак скоро сваког ненадгледаног учења је његов уски опсег примене.
Људски одговори на формалне полу-надгледане задатке учења произвели су различите резултате у погледу степена ефекта необележеног материјала.
Полу-надгледано учење се такође може користити за природније проблеме учења. Значајан део људског стицања идеја комбинује ограничен део директног подучавања упарен са огромном количином неозначеног искуства.
Проблеми са учењем ове врсте су тешко решиви. Као резултат, потребни су полу-надгледани алгоритми учења са одређеним карактеристикама.
Шта је учење са појачањем?
Док је учење са појачањем изазвало радозналост многих у области вештачке интелигенције, његово широко распрострањено прихватање и употреба у стварном свету остаје ограничена. Упркос томе, истраживачки радови о теоријским применама обилују, а било је и успешних случајева употребе.
Да би добио идеално решење, агент је програмиран да тражи дугорочан и највећи укупни поврат.
Ови дугорочни циљеви спречавају агента да одуговлачи са краткорочним циљевима. Агент постепено учи да избегава негативно и тражи позитивно. Ова стратегија учења је коришћена у вештачкој интелигенцији за усмеравање машинског учења без надзора коришћењем награда и казни.
Узастопно доношење одлука је од суштинског значаја за учење са појачањем. Основним речима, излаз је одређен тренутним стањем улаза, а следећи улаз је одређен излазом претходног улаза.
Пошто судови у учењу са поткрепљењем остају зависни, именујемо зависне секвенце одлука.
Постоје две врсте појачања, наиме, позитивно и негативно појачање. Позитивно појачање се дешава када догађај који се јавља као резултат одређеног понашања побољшава снагу и учесталост понашања. Другим речима, позитивно утиче на понашање. Негативно појачање се дефинише као јачање понашања као резултат окончања или избегавања негативних околности.
Вештачка интелигенција се ставља у окружење налик игрици у учењу са појачањем. Рачунар користи покушаје и грешке да пронађе решење за проблем. Да би убедио рачунар да уради оно што програмер жели, вештачка интелигенција се награђује или кажњава за дела која чини. Његов циљ је максимизирање целокупног поврата.
Главне разлике између полу-надгледаног учења и учења са појачањем
- Полу-надгледано учење користи означене податке за јачање неозначених података, док у учењу са појачањем постављате систем награђивања за алгоритам.
- Основна сврха полунадгледаног учења је да се супротстави свим недостацима других процеса учења, а главна сврха учења са поткрепљењем је ефикасније учење акција.
- Полу-надгледано учење не ступа у интеракцију са агентом. Учење са појачањем је у интеракцији са агентом.
- У техници појачања, акције које је предузео агент утичу на дистрибуцију стања које ће посматрати у будућности. Ово није случај у стандардном (полу)надгледаном проблему учења.
- У учењу са поткрепљењем нема ознака, док у полунадгледаном учењу постоје.
Последње ажурирање: 25. новембар 2023
Уложио сам толико труда да напишем овај пост на блогу да бих вам пружио вредност. Биће ми од велике помоћи ако размислите о томе да га поделите на друштвеним мрежама или са својим пријатељима/породицом. ДЕЉЕЊЕ ЈЕ ♥
Ема Смит је магистрирала енглески језик на Ирвине Валлеи Цоллеге-у. Новинарка је од 2002. године, пишући чланке о енглеском језику, спорту и праву. Прочитајте више о мени на њој био паге.
