Semi-supervised learning
http://dbpedia.org/resource/Semi-supervised_learning
En ciencias de la computación, el aprendizaje semi-supervisado es una clase de técnicas de aprendizaje automático que utiliza datos de entrenamiento tanto etiquetados como no etiquetados: normalmente una pequeña cantidad de datos etiquetados junto a una gran cantidad de datos no etiquetados. El aprendizaje semi-supervisado se encuentra entre el aprendizaje no supervisado (sin datos de entrenamiento etiquetados) y el aprendizaje supervisado (con todos los datos de entrenamiento etiquetados). Los investigadores del campo del aprendizaje automático han descubierto que los datos no etiquetados, cuando se utilizan junto a una pequeña cantidad de datos etiquetados, pueden mejorar de forma considerable la exactitud del aprendizaje. La adquisición de datos etiquetados para resolver un problema sue
rdf:langString
L'apprentissage semi-supervisé est une classe de techniques d'apprentissage automatique qui utilise un ensemble de données étiquetées et non étiquetées. Il se situe ainsi entre l'apprentissage supervisé qui n'utilise que des données étiquetées et l'apprentissage non supervisé qui n'utilise que des données non étiquetées. Il a été démontré que l'utilisation de données non étiquetées, en combinaison avec des données étiquetées, permet d'améliorer significativement la qualité de l'apprentissage.
rdf:langString
준 지도 학습(영어: Semi-Supervised Learning)이란 기계 학습(Machine Learning)의 한 범주로 목표값이 표시된 데이터와 표시되지 않은 데이터를 모두 훈련에 사용하는 것을 말한다. 대개의 경우 이러한 방법에 사용되는 훈련 데이터는 목표값이 표시된 데이터가 적고 표시되지 않은 데이터를 많이 갖고 있다. 이러한 준 지도 학습은 목표값이 충분히 표시된 훈련 데이터를 사용하는 지도 학습과 목표값이 표시되지 않은 훈련 데이터를 사용하는 자율 학습 사이에 위치한다. 많은 기계 학습 연구자들이 목표값이 없는 데이터에 적은 양의 목표값을 포함한 데이터를 사용할 경우 학습 정확도에 있어서 상당히 좋아짐을 확인하였다. 이러한 훈련 방법이 사용되는 이유는 목표값을 포함한 데이터를 얻기 위해서는 훈련된 사람의 손을 거쳐야 하기 때문이고 그 비용이 감당할 수 없을만큼 클 수 있기 때문이다. 따라서 그러한 경우 준 지도 학습을 사용하여 결과를 향상 시킬 수 있다. 이러한 준 지도 학습의 예로는 상호 훈련을 들 수 있다. 이것은 두개 이상의 학습기 각각이 예제를 통해 훈련되는 방법이며 학습기가 사용하는 예제의 특성은 각각 다르며 독립적이다.
rdf:langString
Обучение с частичным привлечением учителя (англ. Semi-supervised learning) (также полуавтоматическое обучение или частичное обучение) — способ машинного обучения, разновидность обучения с учителем, которое также использует неразмеченные данные для тренировки — обычно небольшое количество размеченных данных и большое количество неразмеченных данных. Обучение с частичным привлечением учителя занимает промежуточную позицию между обучением без учителя (без привлечения каких-либо размеченных данных для тренировки) и обучением с учителем (с привлечением лишь размеченных данных).
rdf:langString
Напівавтоматичне навчання або часткове навчання (англ. Semi-supervised learning) — спосіб машинного навчання, різновидність навчання з учителем, яке також використовує немарковані дані для тренування — зазвичай невелику кількість помаркованих даних та велику кількість немаркованих даних. Напівавтоматичне навчання займає проміжну позицію між навчанням без учителя (без залучення будь-яких помаркованих даних для тренування) та навчанням з учителем (із залученням лише помаркованих даних). Багато дослідників машинного навчання виявили, що немарковані дані, при використанні в поєднанні з невеликою кількістю помаркованих даних, можуть значно поліпшити точність навчання. Задання помаркованих даних для задачі навчання часто вимагає кваліфікованої людини (наприклад, для транскрибування аудіо файлу)
rdf:langString
rdf:langString
Aprenentatge semi-supervisat
rdf:langString
Aprendizaje semisupervisado
rdf:langString
Apprentissage semi-supervisé
rdf:langString
준지도 학습
rdf:langString
Semi-supervised learning
rdf:langString
Обучение с частичным привлечением учителя
rdf:langString
Напівавтоматичне навчання
xsd:integer
2829632
xsd:integer
1119002423
rdf:langString
En ciències de la computació, l'aprenentatge semi-supervisat consta d'un conjunt de tècniques d'aprenentatge automàtic que utilitza dades d'entrenament tant etiquetades com no etiquetades: normalment utilitza una petita quantitat de dades etiquetades juntament amb una gran quantitat de dades no etiquetades. L'aprenentatge semi-supervisat es troba entre l'aprenentatge no supervisat (sense dades d'entrenament etiquetats) i l'aprenentatge supervisat (amb totes les dades d'entrenament etiquetades). Els investigadors del camp de l'aprenentatge automàtic han descobert que les dades no etiquetades, quan es fan servir juntament amb una petita quantitat de dades etiquetades, poden millorar de manera considerable l'exactitud de l'aprenentatge. L'adquisició de dades etiquetades per resoldre un problema sol requerir un agent humà (p. ex., per transcriure un segment d'àudio) capacitat per classificar manualment els exemples d'entrenament o un experiment físic (p. ex., determinar l'estructura 3D d'una proteïna o determinar si hi ha oli en un lloc en particular). El cost associat al procés d'etiquetatge pot fer que un conjunt d'entrenament totalment etiquetat sigui inviable, mentre que l'adquisició de dades sense etiquetar és relativament poc costosa. En aquests casos, l'aprenentatge semi-supervisat pot ser molt útil. L'aprenentatge semi-supervisat també és d'interès teòric a l'aprenentatge automàtic i com a model per a l'aprenentatge humà. Es processa un conjunt d'exemples distribuïts de manera independent i idèntica amb etiquetes corresponents i exemples sense etiquetar . L’aprenentatge semi-supervisat es pot referir tant al com a l'. L’objectiu de l’aprenentatge transductiu consisteix únicament en inferir les etiquetes correctes de les dades sense etiquetar . L’objectiu de l’aprenentatge inductiu tracta en inferir el correcte mapeig de a . Un exemple de tècnica que utilitza aprenentatge semi-supervisat és el co-entrenament, on s'entrenen dos o més sistemes cadascun en un conjunt d'exemples, però de manera que cada sistema utilitza un conjunt de característiques diferents (i idealment independents) per a cada exemple. Un enfocament alternatiu consisteix a modelar la distribució de la probabilitat conjunta de les característiques i les etiquetes. Les dades no etiquetades poden ser tractades com a 'dades que falten'. S'utilitza de forma comuna a l'algorisme EM per maximitzar la similitud del model. Intuïtivament, el problema d'aprenentatge es pot veure com un examen i les dades etiquetades com a problemes de mostra que el mestre resol per a la classe com a ajuda per resoldre un altre conjunt de problemes. A l'escenari transductiu, aquests problemes sense resoldre actuen com a preguntes d'examen. A l'entorn inductiu, es converteixen en problemes de pràctica del tipus que constituiran l'examen.
rdf:langString
En ciencias de la computación, el aprendizaje semi-supervisado es una clase de técnicas de aprendizaje automático que utiliza datos de entrenamiento tanto etiquetados como no etiquetados: normalmente una pequeña cantidad de datos etiquetados junto a una gran cantidad de datos no etiquetados. El aprendizaje semi-supervisado se encuentra entre el aprendizaje no supervisado (sin datos de entrenamiento etiquetados) y el aprendizaje supervisado (con todos los datos de entrenamiento etiquetados). Los investigadores del campo del aprendizaje automático han descubierto que los datos no etiquetados, cuando se utilizan junto a una pequeña cantidad de datos etiquetados, pueden mejorar de forma considerable la exactitud del aprendizaje. La adquisición de datos etiquetados para resolver un problema suele requerir un agente humano capacitado para clasificar de forma manual los ejemplos de entrenamiento. El coste asociado al proceso de etiquetado puede hacer que un conjunto de entrenamiento totalmente etiquetado sea inviable, mientras que la adquisición de datos sin etiquetar es relativamente poco costoso. En estos casos, el aprendizaje semi-supervisado puede ser muy útil. Un ejemplo de técnica que utiliza aprendizaje semi-supervisado es el , donde se entrenan dos o más sistemas cada uno en un conjunto de ejemplos, pero de forma que cada sistema utiliza un conjunto de características diferentes (e idealmente independientes) para cada ejemplo. Un enfoque alternativo consiste en modelar la distribución de la probabilidad conjunta de las características y las etiquetas. Los datos no etiquetados pueden ser tratados como 'datos que faltan'. Se utiliza de forma común en el algoritmo EM para maximizar la similitud del modelo.
rdf:langString
L'apprentissage semi-supervisé est une classe de techniques d'apprentissage automatique qui utilise un ensemble de données étiquetées et non étiquetées. Il se situe ainsi entre l'apprentissage supervisé qui n'utilise que des données étiquetées et l'apprentissage non supervisé qui n'utilise que des données non étiquetées. Il a été démontré que l'utilisation de données non étiquetées, en combinaison avec des données étiquetées, permet d'améliorer significativement la qualité de l'apprentissage. Un autre intérêt provient du fait que l'étiquetage de données nécessite souvent l'intervention d'un utilisateur humain. Lorsque les jeux de données deviennent très grands, cette opération peut s'avérer fastidieuse. Dans ce cas, l'apprentissage semi-supervisé, qui ne nécessite que quelques étiquettes, revêt un intérêt pratique évident. Un exemple d'apprentissage semi-supervisé est le coapprentissage, dans lequel deux classifieurs apprennent un ensemble de données, mais en utilisant chacun un ensemble de caractéristiques différentes, idéalement indépendantes. Si les données sont des individus à classer en hommes et femmes, l'un pourra utiliser la taille et l'autre la pilosité par exemple.
rdf:langString
준 지도 학습(영어: Semi-Supervised Learning)이란 기계 학습(Machine Learning)의 한 범주로 목표값이 표시된 데이터와 표시되지 않은 데이터를 모두 훈련에 사용하는 것을 말한다. 대개의 경우 이러한 방법에 사용되는 훈련 데이터는 목표값이 표시된 데이터가 적고 표시되지 않은 데이터를 많이 갖고 있다. 이러한 준 지도 학습은 목표값이 충분히 표시된 훈련 데이터를 사용하는 지도 학습과 목표값이 표시되지 않은 훈련 데이터를 사용하는 자율 학습 사이에 위치한다. 많은 기계 학습 연구자들이 목표값이 없는 데이터에 적은 양의 목표값을 포함한 데이터를 사용할 경우 학습 정확도에 있어서 상당히 좋아짐을 확인하였다. 이러한 훈련 방법이 사용되는 이유는 목표값을 포함한 데이터를 얻기 위해서는 훈련된 사람의 손을 거쳐야 하기 때문이고 그 비용이 감당할 수 없을만큼 클 수 있기 때문이다. 따라서 그러한 경우 준 지도 학습을 사용하여 결과를 향상 시킬 수 있다. 이러한 준 지도 학습의 예로는 상호 훈련을 들 수 있다. 이것은 두개 이상의 학습기 각각이 예제를 통해 훈련되는 방법이며 학습기가 사용하는 예제의 특성은 각각 다르며 독립적이다. 그 이외의 접근으로는 특징점과 목표값의 결합 분포를 모델링 하는 것이다. 목표값이 없는 데이터에 대해서는 목표값을 '잃어버린 데이터' 로 처리한다. 이러한 방법에서는 EM 알고리즘을 모델의 우도를 최대화 하기 위해 사용한다.
rdf:langString
Обучение с частичным привлечением учителя (англ. Semi-supervised learning) (также полуавтоматическое обучение или частичное обучение) — способ машинного обучения, разновидность обучения с учителем, которое также использует неразмеченные данные для тренировки — обычно небольшое количество размеченных данных и большое количество неразмеченных данных. Обучение с частичным привлечением учителя занимает промежуточную позицию между обучением без учителя (без привлечения каких-либо размеченных данных для тренировки) и обучением с учителем (с привлечением лишь размеченных данных). Многие исследователи машинного обучения обнаружили, что неразмеченные данные, при использовании в сочетании с небольшим количеством размеченных данных, могут значительно улучшить точность обучения. Задание размеченных данных для задачи обучения часто требует квалифицированного человека (например, для перевода звуковой дорожки в текст) или физического эксперимента (например, для определения 3D структуры белка или выявления наличия нефти в определенном регионе). Поэтому затраты на разметку данных могут сделать процесс обучения с использованием лишь размеченных данных невыполнимым, в то время как процесс задания неразмеченных данных не является очень затратным. В таких ситуациях, полуавтоматическое обучения может иметь большое практическое значение. Такое обучение также представляет интерес в сфере машинного обучения и как модель для человеческого обучения.
rdf:langString
Напівавтоматичне навчання або часткове навчання (англ. Semi-supervised learning) — спосіб машинного навчання, різновидність навчання з учителем, яке також використовує немарковані дані для тренування — зазвичай невелику кількість помаркованих даних та велику кількість немаркованих даних. Напівавтоматичне навчання займає проміжну позицію між навчанням без учителя (без залучення будь-яких помаркованих даних для тренування) та навчанням з учителем (із залученням лише помаркованих даних). Багато дослідників машинного навчання виявили, що немарковані дані, при використанні в поєднанні з невеликою кількістю помаркованих даних, можуть значно поліпшити точність навчання. Задання помаркованих даних для задачі навчання часто вимагає кваліфікованої людини (наприклад, для транскрибування аудіо файлу) або фізичного експерименту (наприклад, для визначення 3D структури білка або виявлення наявності нафти в певному регіоні). Тому затрати на маркування даних можуть зробити процес навчання з використанням лише помаркованих даних нездійсненним, в той час як процес задання немаркованих даних не є дуже затратним. У таких ситуаціях, напівавтоматичне навчання може мати велике практичне значення. Таке навчання також представляє інтерес у сфері машинного навчання та як модель для людського навчання.
xsd:nonNegativeInteger
121