La procezo de trejnado de maŝinlernado-modelo implikas eksponi ĝin al vastaj kvantoj da datenoj por ebligi ĝin lerni padronojn kaj fari prognozojn aŭ decidojn sen esti eksplicite programita por ĉiu scenaro. Dum la trejna fazo, la maŝinlernado-modelo spertas serion de ripetoj, kie ĝi ĝustigas siajn internajn parametrojn por minimumigi erarojn kaj plibonigi sian efikecon pri la donita tasko.
Superrigardo dum trejnado rilatas al la nivelo de homa interveno postulata por gvidi la lernadon de la modelo. La bezono de inspektado povas varii dependi de la speco de maŝinlernada algoritmo estanta uzita, la komplekseco de la tasko, kaj la kvalito de la datenoj disponigitaj por trejnado.
En kontrolita lernado, kiu estas speco de maŝinlernado, kie la modelo estas trejnita sur etikeditaj datumoj, superrigardo estas esenca. Etikeditaj datenoj signifas ke ĉiu eniga datenpunkto estas parigita kun la ĝusta produktaĵo, permesante al la modelo lerni la mapadon inter enigaĵoj kaj produktaĵoj. Dum kontrolita trejnado, homa inspektado estas postulata por disponigi la ĝustajn etikedojn por la trejnaddatenoj, taksi la prognozojn de la modelo, kaj alĝustigi la parametrojn de la modelo bazitaj sur religo.
Ekzemple, en kontrolita bildrekonotasko, se la celo estas trejni modelon por klasifiki bildojn de katoj kaj hundoj, homa inspektisto devus etikedi ĉiun bildon kiel aŭ kato aŭ hundo. La modelo tiam lernus de ĉi tiuj etikeditaj ekzemploj fari prognozojn pri novaj, neviditaj bildoj. La kontrolisto taksus la prognozojn de la modelo kaj donus religon por plibonigi ĝian precizecon.
Aliflanke, nekontrolitaj lernaj algoritmoj ne postulas etikeditajn datenojn por trejnado. Tiuj algoritmoj lernas padronojn kaj strukturojn de la enirdatenoj sen eksplicita gvidado. Nekontrolita lernado ofte estas uzita por taskoj kiel ekzemple grupigado, anomaliodetekto, kaj dimensiecredukto. En nekontrolita lernado, la maŝino povas lerni sendepende sen bezono de homa superrigardo dum trejnado.
Semi-kontrolita lernado estas hibrida aliro kiu kombinas elementojn de kaj kontrolita kaj nekontrolita lernado. En ĉi tiu aliro, la modelo estas trejnita sur kombinaĵo de etikeditaj kaj neetikeditaj datenoj. La etikeditaj datenoj disponigas iun inspektadon por gvidi la lernadon, dum la neetikeditaj datenoj permesas al la modelo malkovri kromajn padronojn kaj rilatojn en la datenoj.
Plifortiga lernado estas alia paradigmo de maŝinlernado kie agento lernas fari sinsekvajn decidojn interagante kun medio. En plifortiga lernado, la agento ricevas religon en la formo de rekompencoj aŭ punoj bazitaj sur siaj agoj. La agento lernas maksimumigi sian akumulan rekompencon laŭlonge de la tempo per provo kaj eraro. Dum plifortiga lernado ne postulas eksplicitan inspektadon en la tradicia signifo, homa inspektado povas esti necesa por dizajni la rekompencan strukturon, fiksi la lernocelojn aŭ fajnagordi la lernadon.
La bezono de inspektado dum maŝinlernado trejnado dependas de la lernadparadigmo estanta uzita, la havebleco de etikeditaj datenoj, kaj la komplekseco de la tasko. Kontrolita lernado postulas homan inspektadon disponigi etikeditajn datenojn kaj taksi la efikecon de la modelo. Nekontrolita lernado ne postulas inspektadon, ĉar la modelo lernas sendepende de neetikeditaj datenoj. Semi-kontrolita lernado kombinas elementojn de kaj kontrolita kaj nekontrolita lernado, dum plifortiga lernado implikas lernadon per interagado kun medio.
Aliaj lastatempaj demandoj kaj respondoj pri EITC/AI/GCML Google Cloud Machine Machine Learning:
- Kio estas teksto al parolado (TTS) kaj kiel ĝi funkcias kun AI?
- Kio estas la limigoj por labori kun grandaj datumaroj en maŝina lernado?
- Ĉu maŝinlernado povas fari iun dialogan helpon?
- Kio estas la ludejo TensorFlow?
- Kion fakte signifas pli granda datumaro?
- Kio estas kelkaj ekzemploj de hiperparametroj de algoritmo?
- Kio estas ensamble-lernado?
- Kio se elektita maŝinlernada algoritmo ne taŭgas kaj kiel oni povas certigi elekti la ĝustan?
- Kiuj estas la ŝlosilaj parametroj uzataj en algoritmoj bazitaj en neŭralaj reto?
- Kio estas TensorBoard?
Rigardu pliajn demandojn kaj respondojn en EITC/AI/GCML Google Cloud Machine Learning
Pliaj demandoj kaj respondoj:
- Kampo: Artefarita inteligento
- programo: EITC/AI/GCML Google Cloud Machine Machine Learning (iru al la atestprogramo)
- Leciono: Enkonduko (iru al rilata leciono)
- Fadeno: Kio estas maŝina lernado (iru al rilata temo)