Q:
Mengapa pembelajaran semi-diawasi merupakan model yang bermanfaat untuk pembelajaran mesin?
SEBUAH:Pembelajaran semi-diawasi adalah bagian penting dari pembelajaran mesin dan proses pembelajaran yang mendalam, karena pembelajaran ini memperluas dan meningkatkan kemampuan sistem pembelajaran mesin dengan cara yang signifikan.
Pertama, dalam industri pembelajaran mesin yang baru lahir saat ini, dua model telah muncul untuk melatih komputer: Ini disebut pembelajaran terawasi dan tidak terawasi. Mereka secara fundamental berbeda dalam hal pembelajaran yang diawasi melibatkan penggunaan data berlabel untuk menyimpulkan suatu hasil, dan pembelajaran yang tidak diawasi melibatkan ekstrapolasi dari data yang tidak berlabel dengan memeriksa sifat-sifat setiap objek dalam kumpulan data pelatihan.
| Unduh Gratis: Pembelajaran Mesin dan Mengapa Itu Penting |
Para ahli menjelaskan hal ini dengan menggunakan banyak contoh berbeda: Apakah objek dalam set pelatihan adalah buah atau bentuk berwarna atau akun klien, kesamaan dalam pembelajaran yang diawasi adalah bahwa teknologi mulai mengetahui apa objek itu - klasifikasi utama telah dibuat . Sebaliknya, dalam pembelajaran yang tidak diawasi, teknologi melihat benda-benda yang belum ditentukan dan mengklasifikasikannya sesuai dengan penggunaan kriteria sendiri. Ini kadang-kadang disebut sebagai "belajar mandiri."
Ini, kemudian, adalah utilitas utama pembelajaran semi-diawasi: Ini menggabungkan penggunaan data yang berlabel dan tidak berlabel untuk mendapatkan pendekatan "yang terbaik dari keduanya".
Pembelajaran yang diawasi memberi arahan yang lebih banyak pada teknolgi, tetapi bisa mahal, padat karya, membosankan, dan membutuhkan lebih banyak usaha. Pembelajaran tanpa pengawasan lebih "otomatis", tetapi hasilnya bisa jauh kurang akurat.
Jadi dalam menggunakan satu set data berlabel (sering kali lebih kecil dalam skema besar) pendekatan pembelajaran semi-diawasi secara efektif "membanggakan" sistem untuk mengklasifikasikan lebih baik. Sebagai contoh, misalkan sistem pembelajaran mesin sedang mencoba mengidentifikasi 100 item sesuai dengan kriteria biner (hitam vs. putih). Ini bisa sangat berguna hanya untuk memiliki satu contoh berlabel masing-masing (satu putih, satu hitam) dan kemudian mengelompokkan item "abu-abu" yang tersisa sesuai dengan kriteria mana yang terbaik. Namun, begitu kedua item tersebut diberi label, pembelajaran tanpa pengawasan menjadi pembelajaran semi-diawasi.
Dalam mengarahkan pembelajaran semi-terawasi, para insinyur mengamati dengan cermat batas-batas keputusan yang memengaruhi sistem pembelajaran mesin untuk mengklasifikasikan ke salah satu atau hasil berlabel lainnya ketika mengevaluasi data yang tidak berlabel. Mereka akan memikirkan cara terbaik menggunakan pembelajaran semi-terawasi dalam implementasi apa pun: Misalnya, algoritma pembelajaran semi-terawasi dapat "membungkus" algoritma unsup yang ada untuk pendekatan "satu-dua".
Pembelajaran semi-diawasi sebagai sebuah fenomena pasti akan mendorong batas-batas pembelajaran mesin ke depan, karena membuka segala macam kemungkinan baru untuk sistem pembelajaran mesin yang lebih efektif dan lebih efisien.
