Процес обуке модела машинског учења укључује његово излагање огромним количинама података како би му се омогућило да научи обрасце и доноси предвиђања или одлуке без експлицитног програмирања за сваки сценарио. Током фазе обуке, модел машинског учења пролази кроз низ итерација у којима прилагођава своје унутрашње параметре како би минимизирао грешке и побољшао своје перформансе на датом задатку.
Супервизија током обуке се односи на ниво људске интервенције потребне за вођење процеса учења модела. Потреба за надзором може варирати у зависности од врсте алгоритма машинског учења који се користи, сложености задатка и квалитета података који се пружају за обуку.
У контролисаном учењу, које је врста машинског учења где се модел обучава на означеним подацима, надзор је од суштинског значаја. Означени подаци значе да је свака улазна тачка података упарена са исправним излазом, омогућавајући моделу да научи мапирање између улаза и излаза. Током обуке под надзором, људски надзор је неопходан да обезбеди исправне ознаке за податке о обуци, процени предвиђања модела и прилагоди параметре модела на основу повратних информација.
На пример, у задатку препознавања слика под надзором, ако је циљ обучити модел да класификује слике мачака и паса, људски надзорник би морао да означи сваку слику као мачка или пас. Модел би затим учио из ових означених примера да би предвидео нове, невидљиве слике. Супервизор би проценио предвиђања модела и пружио повратне информације како би побољшао његову тачност.
С друге стране, алгоритми учења без надзора не захтевају означене податке за обуку. Ови алгоритми уче обрасце и структуре из улазних података без експлицитног упутства. Учење без надзора се често користи за задатке као што су груписање, откривање аномалија и смањење димензионалности. У учењу без надзора, машина може самостално да учи без потребе за људским надзором током тренинга.
Полу-надгледано учење је хибридни приступ који комбинује елементе и надгледаног и ненадгледаног учења. У овом приступу, модел се обучава на комбинацији означених и необележених података. Означени подаци пружају одређени надзор за вођење процеса учења, док неозначени подаци омогућавају моделу да открије додатне обрасце и односе у подацима.
Учење са појачањем је још једна парадигма машинског учења где агент учи да доноси секвенцијалне одлуке у интеракцији са окружењем. У учењу уз помоћ, агент прима повратну информацију у облику награда или казни на основу својих поступака. Агент учи да максимизира своју кумулативну награду током времена кроз покушаје и грешке. Док учење са појачањем не захтева експлицитни надзор у традиционалном смислу, људски надзор може бити потребан за дизајнирање структуре награђивања, постављање циљева учења или фино подешавање процеса учења.
Потреба за надзором током обуке машинског учења зависи од парадигме учења која се користи, доступности означених података и сложености задатка. Учење под надзором захтева људски надзор да обезбеди означене податке и процени перформансе модела. Учење без надзора не захтева надзор, јер модел учи независно од неозначених података. Полунадгледано учење комбинује елементе и надгледаног и ненадгледаног учења, док учење са појачањем укључује учење кроз интеракцију са окружењем.
Остала недавна питања и одговори у вези ЕИТЦ/АИ/ГЦМЛ Гоогле Цлоуд Мацхине Леарнинг:
- Шта је текст у говор (ТТС) и како функционише са АИ?
- Која су ограничења у раду са великим скуповима података у машинском учењу?
- Може ли машинско учење да пружи неку дијалошку помоћ?
- Шта је ТенсорФлов игралиште?
- Шта заправо значи већи скуп података?
- Који су неки примери хиперпараметара алгоритма?
- Шта је ансамбл учење?
- Шта ако одабрани алгоритам машинског учења није прикладан и како се може побринути да изаберете прави?
- Који су кључни параметри који се користе у алгоритмима заснованим на неуронским мрежама?
- Шта је ТенсорБоард?
Погледајте више питања и одговора у ЕИТЦ/АИ/ГЦМЛ Гоогле Цлоуд Мацхине Леарнинг