Во второй части этой статьи мы рассмотрим гибридный тип обучения.
Гибридные проблемы обучения
Границы между неконтролируемым и контролируемым обучением размыты, и существует множество гибридных подходов, основанных на каждой области исследования.
В этом разделе мы более подробно рассмотрим некоторые из наиболее распространенных гибридных областей обучения: частично контролируемое, самоконтролируемое и многоэкземплярное обучение.
4. Полуконтролируемое обучение
Полууправляемое обучение – это контролируемое обучение, при котором обучающие данные содержат очень мало помеченных примеров и большое количество неразмеченных примеров.
Цель модели полуконтролируемого обучения состоит в том, чтобы эффективно использовать все доступные данные, а не только помеченные данные, как в контролируемом обучении.
Для эффективного использования неразмеченных данных может потребоваться использование неконтролируемых методов или использование таких методов, как кластеризация и оценка плотности. Как только группы или шаблоны обнаружены, контролируемые методы или идеи контролируемого обучения могут использоваться для маркировки немаркированных примеров или применения меток к немаркированным представлениям, которые позже используются для предсказания.
Многие реальные задачи обучения с учителем часто являются примерами задач обучения с полуучителем, учитывая затраты или вычислительные затраты на маркировку примеров. Например, для классификации фотографий требуется набор данных фотографий, которые уже были помечены людьми-операторами.
5. Самоконтролируемое обучение
Обучение с учителем Обучение с учителем относится к задаче обучения без учителя, которая оформлена как задача обучения с учителем, чтобы применить алгоритмы обучения с учителем для ее решения.
Алгоритмы обучения с учителем используются для решения альтернативной или предтекстовой задачи, результатом которой является модель или представление, которые можно использовать при решении исходной (фактической) задачи моделирования.
Типичным примером самоконтролируемого обучения является компьютерное зрение, где доступен корпус неразмеченных изображений, которые можно использовать для обучения контролируемой модели, например, для создания изображений в градациях серого и предсказания моделью цветового представления (раскрашивания) или удаления блоков изображения. изображение и модель предсказывает недостающие части (inpainting).
6. Многоэкземплярное обучение
Многоэкземплярное обучение — это задача обучения с учителем, в которой отдельные примеры не помечены; вместо этого пакеты или группы образцов маркируются.
При многоэкземплярном обучении вся коллекция примеров помечается как содержащая или не содержащая пример класса, но отдельные члены коллекции не помечаются.
Экземпляры находятся в «мешках», а не в наборах, потому что данный экземпляр может присутствовать один или несколько раз, являясь дубликатами.
Простые методы, такие как присвоение меток классов отдельным экземплярам и использование стандартных алгоритмов обучения с учителем, часто являются хорошим первым шагом.
В нашей третьей части мы рассмотрим типы машинного обучения на основе статистических помех и их тип.
