Ang proseso ng pagsasanay sa isang modelo ng machine learning ay nagsasangkot ng paglalantad nito sa napakaraming data upang bigyang-daan itong matuto ng mga pattern at gumawa ng mga hula o desisyon nang hindi tahasang nakaprograma para sa bawat senaryo. Sa yugto ng pagsasanay, ang modelo ng machine learning ay sumasailalim sa isang serye ng mga pag-ulit kung saan inaayos nito ang mga panloob na parameter nito upang mabawasan ang mga error at mapabuti ang pagganap nito sa ibinigay na gawain.
Ang pangangasiwa sa panahon ng pagsasanay ay tumutukoy sa antas ng interbensyon ng tao na kinakailangan upang gabayan ang proseso ng pagkatuto ng modelo. Ang pangangailangan para sa pangangasiwa ay maaaring mag-iba depende sa uri ng machine learning algorithm na ginagamit, ang pagiging kumplikado ng gawain, at ang kalidad ng data na ibinigay para sa pagsasanay.
Sa pinangangasiwaang pag-aaral, na isang uri ng machine learning kung saan ang modelo ay sinanay sa may label na data, ang pangangasiwa ay mahalaga. Ang may label na data ay nangangahulugan na ang bawat input data point ay ipinares sa tamang output, na nagpapahintulot sa modelo na matutunan ang pagmamapa sa pagitan ng mga input at output. Sa panahon ng pinangangasiwaang pagsasanay, ang pangangasiwa ng tao ay kinakailangan upang magbigay ng mga tamang label para sa data ng pagsasanay, suriin ang mga hula ng modelo, at isaayos ang mga parameter ng modelo batay sa feedback.
Halimbawa, sa isang pinangangasiwaang gawain sa pagkilala ng larawan, kung ang layunin ay sanayin ang isang modelo upang pag-uri-uriin ang mga larawan ng mga pusa at aso, kakailanganin ng isang superbisor ng tao na lagyan ng label ang bawat larawan bilang pusa o aso. Matututo ang modelo mula sa mga may label na halimbawang ito upang makagawa ng mga hula sa mga bago, hindi nakikitang mga larawan. Susuriin ng superbisor ang mga hula ng modelo at magbibigay ng feedback upang mapabuti ang katumpakan nito.
Sa kabilang banda, ang mga algorithm ng hindi pinangangasiwaang pag-aaral ay hindi nangangailangan ng may label na data para sa pagsasanay. Natututo ang mga algorithm na ito ng mga pattern at istruktura mula sa data ng pag-input nang walang tahasang gabay. Ang hindi sinusubaybayang pag-aaral ay kadalasang ginagamit para sa mga gawain tulad ng clustering, pagtuklas ng anomalya, at pagbabawas ng dimensional. Sa unsupervised learning, ang makina ay maaaring matuto nang nakapag-iisa nang hindi nangangailangan ng pangangasiwa ng tao sa panahon ng pagsasanay.
Ang semi-supervised na pag-aaral ay isang hybrid na diskarte na pinagsasama ang mga elemento ng parehong pinangangasiwaan at hindi pinangangasiwaang pag-aaral. Sa diskarteng ito, ang modelo ay sinanay sa isang kumbinasyon ng may label at walang label na data. Ang may label na data ay nagbibigay ng ilang pangangasiwa upang gabayan ang proseso ng pag-aaral, habang ang walang label na data ay nagbibigay-daan sa modelo na tumuklas ng mga karagdagang pattern at relasyon sa data.
Ang reinforcement learning ay isa pang paradigm ng machine learning kung saan natututo ang isang ahente na gumawa ng mga sunud-sunod na desisyon sa pamamagitan ng pakikipag-ugnayan sa isang kapaligiran. Sa reinforcement learning, ang ahente ay tumatanggap ng feedback sa anyo ng mga gantimpala o mga parusa batay sa mga aksyon nito. Natututo ang ahente na i-maximize ang pinagsama-samang reward nito sa paglipas ng panahon sa pamamagitan ng trial and error. Bagama't hindi nangangailangan ang reinforcement learning ng tahasang pangangasiwa sa tradisyonal na kahulugan, maaaring kailanganin ang pangangasiwa ng tao upang idisenyo ang istraktura ng reward, itakda ang mga layunin sa pag-aaral, o i-fine-tune ang proseso ng pag-aaral.
Ang pangangailangan para sa pangangasiwa sa panahon ng machine learning na pagsasanay ay nakasalalay sa paradigm sa pag-aaral na ginagamit, ang pagkakaroon ng may label na data, at ang pagiging kumplikado ng gawain. Ang pinangangasiwaang pag-aaral ay nangangailangan ng pangangasiwa ng tao upang magbigay ng may label na data at suriin ang pagganap ng modelo. Ang hindi pinangangasiwaang pag-aaral ay hindi nangangailangan ng pangangasiwa, dahil ang modelo ay natututo nang hiwalay mula sa walang label na data. Pinagsasama ng semi-supervised na pag-aaral ang mga elemento ng parehong pinangangasiwaan at hindi pinangangasiwaang pag-aaral, habang ang reinforcement na pag-aaral ay kinabibilangan ng pag-aaral sa pamamagitan ng pakikipag-ugnayan sa isang kapaligiran.
Iba pang kamakailang mga tanong at sagot tungkol sa EITC/AI/GCML Google Cloud Machine Learning:
- Ano ang text to speech (TTS) at kung paano ito gumagana sa AI?
- Ano ang mga limitasyon sa pagtatrabaho sa malalaking dataset sa machine learning?
- Magagawa ba ng machine learning ang ilang dialogic na tulong?
- Ano ang TensorFlow playground?
- Ano ba talaga ang ibig sabihin ng mas malaking dataset?
- Ano ang ilang halimbawa ng mga hyperparameter ng algorithm?
- Ano ang pag-aaral ng ensemble?
- Paano kung ang napiling machine learning algorithm ay hindi angkop at paano makasigurado na piliin ang tama?
- Ano ang mga pangunahing parameter na ginagamit sa mga algorithm na nakabatay sa neural network?
- Ano ang TensorBoard?
Tingnan ang higit pang mga tanong at sagot sa EITC/AI/GCML Google Cloud Machine Learning