Das maschinelle Lernen , das tiefe Lernen , neuronale Netze und künstliche Intelligenz machen große Fortschritte. Damit Computer jedoch in der Lage sind, Probleme selbst zu denken und zu lösen, müssen sie zuerst lernen. Wie in einer traditionellen Schule verwendet maschinelles Lernen verschiedene Methoden. Beim sogenannten Verstärkungslernen werden Impulse gesetzt. Das unbeaufsichtigte Lernen funktioniert vollständig ohne Eingreifen des Entwicklers. Aber was ist mit überwachtem Lernen oder überwachtem Lernen?

1. Was ist betreutes Lernen?
2. Beispiel für betreutes Lernen
3. Vor- und Nachteile des überwachten Lernens

Beim maschinellen Lernen lernen Computer, Muster und Regeln zu erkennen. Anstatt nur auf Eingaben von menschlichen Benutzern zu reagieren, lernen Maschinen , Entscheidungen autonom zu treffen , basierend auf den Regeln, die sie gelernt haben. Beispielsweise können Algorithmen lernen, eine Spam- Nachricht korrekt zu erkennen oder den Inhalt eines Bildes zu interpretieren. Entwickler und Wissenschaftler verwenden unterschiedliche Lernmethoden, von denen wahrscheinlich das überwachte Lernen oder das überwachte Lernen am häufigsten verwendet wird .

Beim überwachten maschinellen Lernen stellen Entwickler Algorithmen einen Datensatz zur Verfügung, der für das Training bereit ist. Auf diese Weise wissen die Algorithmen bereits das Ergebnis und nur haben , erkennen das Muster: warum diese Informationen nicht , gehören in der Kategorie A und der Kategorie B nicht?

Das überwachte Lernen wird daher für Algorithmen zur Kategorisierung natürlicher Daten (Fotos, Schreiben, Sprechen usw.) verwendet. Ein weiteres typisches Anwendungsgebiet des überwachten Lernens sind die sogenannten Regressionsprobleme . Mit ihnen lernen die Algorithmen, Vorhersagen zu treffen, beispielsweise über die Preisentwicklung oder das Kundenwachstum.

Auf der anderen Seite ist halbüberwachtes Lernen eine gemischte Form des Lernens, bei der nur ein Teil des Datensatzes gekennzeichnet ist. Der Rest bleibt nicht klassifiziert und Algorithmen müssen diese Aufgabe ihrer verpflichten sich selbst . Ein gutes Beispiel für diese Methode ist der Gesichtserkennungsalgorithmus. Kennzeichnen Sie einfach einige Fotos mit den Namen Ihrer Freunde – der Algorithmus kümmert sich darum, die anderen zu finden.

Angenommen, Sie möchten Algorithmen trainieren, um zu lernen, Bilder von Katzen von Bildern von Hunden zu unterscheiden. Dafür bereiten die Entwickler einen riesigen Datensatz vor. Dies enthält Bilder, die bereits ein Tag haben würden, dh die bereits zu einer Kategorie gehören würden. Es konnten drei verschiedene Gruppen gebildet werden: Hund, Katze, andere. Es ist wichtig, dass der Datensatz auch so viel Abwechslung wie möglich enthält. Wenn das Trainingsset beispielsweise nur Fotos von schwarzen Katzen enthält , geht der Algorithmus davon aus, dass alle Katzen schwarze Haare haben. Daher sollte der Datensatz so vielfältig wie möglich sein.

Während des Trainings empfängt der Algorithmus zuerst den (nicht klassifizierten) Inhalt, trifft eine Entscheidung und vergleicht ihn dann mit dem Ergebnis der Entwickler. Das System vergleicht sein eigenes Ergebnis mit dem richtigen und zieht Schlussfolgerungen, um seine zukünftigen Bewertungen im Training anzupassen. Das Training wird fortgesetzt, bis die Bewertungen der Maschine nahe genug an den korrekten Ergebnissen liegen.

Um Ihre Privatsphäre zu schützen, wird das Video nach dem Klicken hochgeladen.

Die geeignete Lernmethode hängt weitgehend davon ab, welche Aufgabe die Algorithmen als Nächstes ausführen. Das überwachte Lernen wird für Kategorisierungs- und Regressionsprobleme empfohlen. Im Allgemeinen können Sie mit dieser Methode des maschinellen Lernens Ihre Algorithmen so trainieren, dass sie sich perfekt an Ihre Aufgabe anpassen. Durch die vollständige Kontrolle über das Schulungsmaterial sind nur genügend Eingaben und Zeit erforderlich , um die Algorithmen korrekt zu konfigurieren. Das Wichtigste ist, so viele Daten wie möglich zusammenzustellen. Da alle Elemente mit Tags versehen werden müssen, sind Entwickler und Wissenschaftler sehr bemüht.

Obwohl es viel Aufwand erfordert, ist der Prozess auch relativ einfach zu verstehen. Während beim unbeaufsichtigten Lernen viele der Prozesse nicht analysiert werden können, da die Algorithmen ohne tatsächliche Anweisungen von selbst funktionieren, können beim überwachten Lernen maschinelle Aktionen genau erkannt werden. Dies hat jedoch den Nachteil, dass die Algorithmen nur innerhalb der Einschränkungen funktionieren, die ihnen auferlegt wurden, dh diese Methode bietet keine kreativen Lösungen.