Proces treniranja modela strojnog učenja uključuje njegovo izlaganje golemim količinama podataka kako bi mu se omogućilo učenje obrazaca i donošenje predviđanja ili odluka bez eksplicitnog programiranja za svaki scenarij. Tijekom faze obuke, model strojnog učenja prolazi kroz niz iteracija u kojima prilagođava svoje unutarnje parametre kako bi smanjio pogreške i poboljšao svoju izvedbu na danom zadatku.
Nadzor tijekom obuke odnosi se na razinu ljudske intervencije potrebne za vođenje procesa učenja modela. Potreba za nadzorom može varirati ovisno o vrsti algoritma strojnog učenja koji se koristi, složenosti zadatka i kvaliteti podataka koji se daju za obuku.
U nadziranom učenju, koje je vrsta strojnog učenja gdje se model trenira na označenim podacima, nadzor je bitan. Označeni podaci znače da je svaka ulazna podatkovna točka uparena s točnim izlazom, omogućujući modelu da nauči preslikavanje između ulaza i izlaza. Tijekom nadzirane obuke potreban je ljudski nadzor kako bi se osigurale ispravne oznake za podatke o obuci, procijenila predviđanja modela i prilagodili parametri modela na temelju povratnih informacija.
Na primjer, u nadziranom zadatku prepoznavanja slika, ako je cilj osposobiti model za klasificiranje slika mačaka i pasa, ljudski nadzornik bi trebao svaku sliku označiti kao mačku ili kao psa. Model bi zatim naučio iz ovih označenih primjera da predvidi nove, dosad neviđene slike. Nadzornik bi procijenio predviđanja modela i dao povratne informacije kako bi poboljšao njegovu točnost.
S druge strane, algoritmi učenja bez nadzora ne zahtijevaju označene podatke za obuku. Ovi algoritmi uče obrasce i strukture iz ulaznih podataka bez eksplicitnog vodstva. Učenje bez nadzora često se koristi za zadatke kao što su klasteriranje, otkrivanje anomalija i smanjenje dimenzionalnosti. U učenju bez nadzora, stroj može samostalno učiti bez potrebe za ljudskim nadzorom tijekom obuke.
Polunadzirano učenje je hibridni pristup koji kombinira elemente nadziranog i nenadziranog učenja. U ovom pristupu, model se trenira na kombinaciji označenih i neoznačenih podataka. Označeni podaci pružaju određeni nadzor za vođenje procesa učenja, dok neoznačeni podaci omogućuju modelu da otkrije dodatne obrasce i odnose u podacima.
Učenje s pojačanjem još je jedna paradigma strojnog učenja gdje agent uči donositi sekvencijalne odluke interakcijom s okolinom. U učenju s potkrepljenjem, agent prima povratnu informaciju u obliku nagrada ili kazni na temelju svojih radnji. Agent uči maksimizirati svoju kumulativnu nagradu tijekom vremena kroz pokušaje i pogreške. Dok učenje s potkrepljenjem ne zahtijeva eksplicitni nadzor u tradicionalnom smislu, ljudski nadzor može biti potreban za osmišljavanje strukture nagrađivanja, postavljanje ciljeva učenja ili fino podešavanje procesa učenja.
Potreba za nadzorom tijekom obuke strojnog učenja ovisi o paradigmi učenja koja se koristi, dostupnosti označenih podataka i složenosti zadatka. Nadzirano učenje zahtijeva ljudski nadzor za pružanje označenih podataka i procjenu izvedbe modela. Učenje bez nadzora ne zahtijeva nadzor, jer model uči neovisno iz neoznačenih podataka. Polu-nadzirano učenje kombinira elemente nadziranog i nenadziranog učenja, dok učenje s potkrepljenjem uključuje učenje kroz interakciju s okolinom.
Ostala nedavna pitanja i odgovori u vezi EITC/AI/GCML Google Cloud Machine Learning:
- Što je tekst u govor (TTS) i kako radi s umjetnom inteligencijom?
- Koja su ograničenja u radu s velikim skupovima podataka u strojnom učenju?
- Može li strojno učenje pomoći u dijalogu?
- Što je TensorFlow igralište?
- Što zapravo znači veći skup podataka?
- Koji su primjeri hiperparametara algoritma?
- Što je učenje ansambla?
- Što ako odabrani algoritam strojnog učenja nije prikladan i kako se možemo pobrinuti da odaberemo pravi?
- Koji su ključni parametri koji se koriste u algoritmima koji se temelje na neuronskim mrežama?
- Što je TensorBoard?
Pogledajte više pitanja i odgovora u EITC/AI/GCML Google Cloud Machine Learning
Još pitanja i odgovora:
- Polje: Umjetna inteligencija
- Program: EITC/AI/GCML Google Cloud Machine Learning (idite na program certifikacije)
- Lekcija: Uvod (idi na povezanu lekciju)
- Tema: Što je strojno učenje (idi na srodnu temu)