Enable javascript in your browser for better experience. Need to know to enable it? Go here.

Loops de aprendizado semi-supervisionados

Atualizado em : May 19, 2020
NÃO ENTROU NA EDIÇÃO ATUAL
Este blip não está na edição atual do Radar. Se esteve em uma das últimas edições, é provável que ainda seja relevante. Se o blip for mais antigo, pode não ser mais relevante e nossa avaliação pode ser diferente hoje. Infelizmente, não conseguimos revisar continuamente todos os blips de edições anteriores do Radar. Saiba mais
May 2020
Experimente ?

Loops de aprendizado semi-supervisionados são uma classe de fluxos de trabalho iterativos de aprendizado de máquina que aproveitam os relacionamentos encontrados em dados não-rotulados. Essas técnicas podem melhorar os modelos combinando conjuntos de dados rotulados e não-rotulados de várias maneiras. Em outros casos, eles comparam modelos treinados em diferentes subconjuntos de dados. Diferentemente do aprendizado não-supervisionado, em que uma máquina infere classes em dados não-rotulados ou técnicas supervisionadas nas quais o conjunto de treinamento é totalmente rotulado, as técnicas semi-supervisionadas aproveitam um pequeno conjunto de dados rotulados e um conjunto muito maior de dados não-rotulados. O aprendizado semi-supervisionado também está intimamente relacionado às técnicas de aprendizado ativo, nas quais um ser humano é direcionado para rotular seletivamente pontos de dados ambíguos. Como as pessoas especialistas que podem rotular dados com precisão são um recurso escasso e a rotulagem costuma ser a atividade que consome mais tempo no fluxo de trabalho de aprendizado de máquina, as técnicas semi-supervisionadas reduzem o custo do treinamento e tornam o aprendizado de máquina viável para uma nova classe de usuários. Também estamos vendo a aplicação de técnicas pouco supervisionadas, em que os dados rotulados por máquina são usados, mas são menos confiáveis do que os dados rotulados por humanos.

Nov 2019
Avalie ?

Loops de aprendizado semissupervisionados são uma classe de fluxos de trabalho de aprendizado de máquina iterativo que tiram vantagem das relações encontradas em dados não-rotulados. Essas técnicas podem melhorar modelos ao combinar conjuntos de dados rotulados e não-rotulados de várias maneiras. Em outros casos, eles comparam modelos treinados em diferentes subconjuntos de dados. Diferente tanto do aprendizado não-supervisionado, em que uma máquina infere classes em dados não-rotulados, ou técnicas supervisionadas em que o conjunto em treinamento é totalmente rotulado, as técnicas semissupervisionadas levam a vantagem de um pequeno conjunto de dados rotulados e um conjunto bem maior de dados não-rotulados. O aprendizado semissupervisionado também se aproxima de técnicas de aprendizado ativo, em que um humano é direcionado a rotular seletivamente pontos de dados ambíguos. Já que humanos especialistas que podem rotular precisamente dados são um recurso escasso, e rotulagem é frequentemente uma atividade que consome muito tempo no fluxo de trabalho no aprendizado de máquina, as técnicas semissupervisionadas baixam o custo do treinamento e tornam o aprendizado de máquina possível para uma nova classe de usuários.

Publicado : Nov 20, 2019

Baixe o PDF

 

 

 

English | Español | Português | 中文

Inscreva-se para receber o boletim informativo Technology Radar

 

 

Seja assinante

 

 

Visite nosso arquivo para acessar os volumes anteriores