Yarim nazorat va mustahkamlash o'rganish o'rtasidagi farq.
Mustahkamlovchi ta’lim yarim nazoratli ta’limdan farq qiladi, chunki u mukofot va fikr-mulohaza bilan ishlaydi. Kuchaytiruvchi ta'lim ularning zarba va sinov harakatlari orqali mukofotlarni maksimal darajada oshirishga qaratilgan, yarim nazorat ostida o'rganishda esa biz modelni kamroq etiketlangan ma'lumotlar to'plami bilan o'qitamiz.
Yarim nazorat ostida o'qitishning haqiqiy dunyo ilovalari
Yarim nazorat ostida o'qitish modellari sanoatda tobora ommalashib bormoqda. Ba'zi asosiy ilovalar quyidagilar.
Nutqni tahlil qilish - Bu yarim nazorat ostida o'rganish ilovalarining eng klassik namunasidir. Ovozli ma'lumotlarni etiketlash ko'plab inson resurslarini talab qiladigan eng o'tib bo'lmaydigan vazifa bo'lganligi sababli, bu muammoni tabiiy ravishda Yarim nazorat ostidagi o'quv modelida SSL qo'llash yordamida bartaraf etish mumkin.
Veb-kontent tasnifi - Biroq, bu juda muhim va Internetdagi har bir sahifani belgilash mumkin emas, chunki u inson aralashuvini talab qiladi. Shunga qaramay, bu muammoni yarim nazorat ostida o'rganish algoritmlari orqali kamaytirish mumkin.
Bundan tashqari, Google berilgan soʻrov boʻyicha veb-sahifani tartiblash uchun yarim nazorat ostidagi oʻrganish algoritmlaridan ham foydalanadi.
Proteinlar ketma-ketligi tasnifi - DNK zanjirlari kattaroq, ular insonning faol aralashuvini talab qiladi. Shunday qilib, yarim nazoratli modelning yuksalishi bu sohada yaqin bo'ldi.
Matnli hujjat tasniflagichi - Bizga ma'lumki, katta hajmdagi etiketli matn ma'lumotlarini topish juda mumkin emas, shuning uchun yarim nazorat ostida o'rganish buni engish uchun ideal modeldir.
XULOSA
Demak, Xulosa qiladigan bo’lsak Mashinaviy o’qitishning yarim-nazoratli o’qitish turi dasturchi barcha mumkin bo'lgan muammolarni hisobga olgan va barcha echimlarni o'z ichiga olgan ko'rsatmalar yozishi shart emas. Buning o'rniga, kompyuterga (yoki alohida dasturga) statistik ma'lumotlardan kompleks foydalanish orqali mustaqil ravishda echimlarni topish algoritmi yuklanadi, ulardan naqshlar olinadi va ular asosida bashorat qilinadi. Demak, dasturchi barcha muammolarni atroflicha o’rganib chiqib unga yechim topish yo’lini maksimumida ekspert tizimlar orqali, suniy intelekt orqali yechim topish mumkin. Bu juda qisqa vaqt va oz mehnat talab qiladi.
MAVZU: Nazoratsiz o’qitish modellari. Gaussian mixture
REJA:
1. Mashinani o'rganish tizimining yo'nalishlari
2. Ta'riflar
3. Dastlabki hosilalar
4. Pythonda amalga oshirish
5.Yakuniy izohlar
Mashinani o'rganish dunyosida biz ikkita asosiy yo'nalishni ajratishimiz mumkin: nazorat ostida va nazoratsiz o'rganish. Ikkalasi o'rtasidagi asosiy farq ma'lumotlarning tabiati va ular bilan ishlashda qo'llaniladigan yondashuvlardadir. Klasterlash - bu nazoratsiz o'rganish muammosi bo'lib, biz ma'lumotlar to'plamimizdagi ba'zi umumiy xususiyatlarga ega bo'lgan nuqtalar klasterlarini topishni maqsad qilganmiz. Aytaylik, bizda shunday ko'rinadigan ma'lumotlar to'plami bor:
Bizning vazifamiz bir-biriga yaqin ko'rinadigan nuqtalar to'plamini topishdir. Bunday holda, biz mos ravishda ko'k va qizil rang beradigan ikkita nuqta klasterini aniq belgilashimiz mumkin:
E'tibor bering, biz endi qo'shimcha belgilarni kiritmoqdamiz. Bu erda m1 va m2 har bir klasterning markazlari va ularning har birini aniqlaydigan parametrlardir. Ommabop klasterlash algoritmi K-vositalari sifatida tanilgan, u har bir klaster parametrlarini yangilash uchun iterativ yondashuvga amal qiladi. Aniqroq aytganda, u har bir klasterning vositalarini (yoki markazlarini) hisoblash va keyin ularning har bir ma'lumot nuqtasiga masofasini hisoblashdir. Keyin ikkinchisi eng yaqin markaz tomonidan aniqlangan klasterning bir qismi sifatida etiketlanadi. Bu jarayon bir-biriga yaqinlashish mezonlari bajarilmaguncha, masalan, klaster topshiriqlarida boshqa o'zgarishlarni ko'rmagunimizcha takrorlanadi.
K-vositalarining muhim xususiyatlaridan biri shundaki, u qattiq klasterlash usulidir, ya'ni u har bir nuqtani bitta va faqat bitta klasterga bog'laydi. Ushbu yondashuvning cheklovi shundaki, ma'lumotlar nuqtasi ma'lum bir klaster bilan qanchalik bog'liqligini ko'rsatadigan noaniqlik o'lchovi yoki ehtimollik yo'q. Xo'sh, qattiq o'rniga yumshoq klasterdan foydalanish haqida nima deyish mumkin? Gauss aralashmasi modellari yoki oddiygina GMMlar aynan shunday qilishga harakat qiladi. Keling, ushbu usulni batafsil muhokama qilaylik.
|
