Mašīnmācīšanās modeļa apmācības process ietver tā pakļaušanu milzīgam datu apjomam, lai tas varētu apgūt modeļus un pieņemt prognozes vai pieņemt lēmumus, īpaši neieprogrammējot to katram scenārijam. Apmācības fāzē mašīnmācīšanās modelim tiek veikta virkne iterāciju, kurās tas pielāgo savus iekšējos parametrus, lai samazinātu kļūdas un uzlabotu veiktspēju konkrētajā uzdevumā.
Uzraudzība apmācības laikā attiecas uz cilvēka iejaukšanās līmeni, kas nepieciešams, lai vadītu modeļa mācību procesu. Uzraudzības nepieciešamība var atšķirties atkarībā no izmantotā mašīnmācīšanās algoritma veida, uzdevuma sarežģītības un apmācībai sniegto datu kvalitātes.
Uzraudzītajā apmācībā, kas ir mašīnmācības veids, kurā modelis tiek apmācīts, izmantojot marķētus datus, uzraudzība ir būtiska. Marķēti dati nozīmē, ka katrs ievades datu punkts ir savienots pārī ar pareizo izvadi, ļaujot modelim apgūt kartēšanu starp ieejām un izvadēm. Uzraudzītas apmācības laikā ir nepieciešama cilvēka uzraudzība, lai nodrošinātu pareizas apmācības datu etiķetes, novērtētu modeļa prognozes un pielāgotu modeļa parametrus, pamatojoties uz atgriezenisko saiti.
Piemēram, uzraudzītā attēla atpazīšanas uzdevumā, ja mērķis ir apmācīt modeli klasificēt kaķu un suņu attēlus, cilvēka vadītājam katrs attēls ir jāmarķē kā kaķis vai suns. Pēc tam modelis mācītos no šiem marķētajiem piemēriem, lai prognozētu jaunus, neredzētus attēlus. Uzraugs novērtētu modeļa prognozes un sniegtu atgriezenisko saiti, lai uzlabotu tā precizitāti.
No otras puses, neuzraudzītiem mācību algoritmiem apmācībai nav nepieciešami marķēti dati. Šie algoritmi apgūst modeļus un struktūras no ievades datiem bez skaidriem norādījumiem. Nepārraudzīta mācīšanās bieži tiek izmantota tādiem uzdevumiem kā grupēšana, anomāliju noteikšana un dimensiju samazināšana. Mācībās bez uzraudzības mašīna var mācīties patstāvīgi bez cilvēka uzraudzības apmācības laikā.
Daļēji uzraudzīta mācīšanās ir hibrīda pieeja, kas apvieno gan uzraudzītas, gan bez uzraudzības mācīšanās elementus. Izmantojot šo pieeju, modelis tiek apmācīts, izmantojot marķētu un nemarķētu datu kombināciju. Iezīmētie dati nodrošina zināmu uzraudzību, lai vadītu mācību procesu, savukārt nemarķētie dati ļauj modelim atklāt papildu modeļus un attiecības datos.
Mācību pastiprināšana ir vēl viena mašīnmācīšanās paradigma, kurā aģents mācās pieņemt secīgus lēmumus, mijiedarbojoties ar vidi. Pastiprināšanas mācībās aģents saņem atgriezenisko saiti atlīdzības vai sodu veidā, pamatojoties uz viņa darbībām. Aģents mācās maksimāli palielināt savu kumulatīvo atlīdzību laika gaitā, izmantojot izmēģinājumus un kļūdas. Lai gan pastiprinošām mācībām nav nepieciešama skaidra uzraudzība tradicionālajā izpratnē, cilvēka uzraudzība var būt nepieciešama, lai izstrādātu atalgojuma struktūru, noteiktu mācību mērķus vai precizētu mācību procesu.
Uzraudzības nepieciešamība mašīnmācīšanās apmācības laikā ir atkarīga no izmantotās mācīšanās paradigmas, marķētu datu pieejamības un uzdevuma sarežģītības. Uzraudzītai apmācībai ir nepieciešama cilvēka uzraudzība, lai nodrošinātu marķētus datus un novērtētu modeļa veiktspēju. Nepārraudzītai apmācībai nav nepieciešama uzraudzība, jo modelis mācās neatkarīgi no nemarķētiem datiem. Daļēji uzraudzītā mācīšanās apvieno gan uzraudzītas, gan bez uzraudzības mācīšanās elementus, savukārt pastiprinošā mācīšanās ietver mācīšanos, mijiedarbojoties ar vidi.
Citi jaunākie jautājumi un atbildes par EITC/AI/GCML Google Cloud Machine Learning:
- Kas ir teksts runāšanai (TTS) un kā tas darbojas ar AI?
- Kādi ir ierobežojumi darbam ar lielām datu kopām mašīnmācībā?
- Vai mašīnmācība var sniegt dialogu?
- Kas ir TensorFlow rotaļu laukums?
- Ko patiesībā nozīmē lielāka datu kopa?
- Kādi ir daži algoritma hiperparametru piemēri?
- Kas ir ansambļa mācīšanās?
- Ko darīt, ja izvēlētais mašīnmācīšanās algoritms nav piemērots un kā pārliecināties, ka ir izvēlēts pareizais?
- Kādi ir galvenie parametri, ko izmanto neironu tīklu algoritmos?
- Kas ir TensorBoard?
Skatiet citus jautājumus un atbildes pakalpojumā EITC/AI/GCML Google Cloud Machine Learning