ما هو التعلم الآلي الخاضع للإشراف؟
ألا تستطيع حضور Transform 2022؟ تحقق من جميع جلسات القمة في مكتبتنا عند الطلب الآن! انظر هنا.
محتويات ما هو الفرق بين ML الخاضع للإشراف وغير الخاضع للإشراف؟ كيف يتم غسل الأموال تحت الإشراف؟ أنواع CB الخاضعة للإشراف كيف تتعامل المؤسسات الكبيرة مع غسل الأموال تحت الإشراف؟ كيف تقوم الشركات الناشئة بتطوير ML تحت الإشراف؟ هل هناك أي شيء خاضع للإشراف لا يستطيع ML القيام به؟تم تصميم عملية التدريب على خوارزمية الذكاء الاصطناعي (AI) بحيث تتم آليًا بالفطرة إلى حد كبير. غالبًا ما يكون هناك الآلاف أو الملايين أو حتى المليارات من نقاط البيانات ، ويجب على الخوارزميات معالجتها جميعًا للعثور على الأنماط. ومع ذلك ، في بعض الحالات ، وجد علماء الذكاء الاصطناعي أنه يمكن جعل الخوارزميات أكثر دقة وكفاءة إذا تمت استشارة البشر ، على الأقل في بعض الأحيان ، أثناء التدريب.
تخلق النتيجة ذكاءً مختلطًا يجمع بين القوة التي لا هوادة فيها والتي لا تكل للتعلم الآلي (ML) مع القدرات الثاقبة والسياقية للذكاء البشري. يمكن لخوارزمية الكمبيوتر المرور عبر ملفات لا حصر لها من بيانات التدريب ، ويقوم البشر بتصحيح الدورة التدريبية أو توجيه المعالجة.
يمكن أن يتم الإشراف على ML في أوقات مختلفة: قبل: بمعنى ما ، يساعد الإنسان في إنشاء مجموعة بيانات التدريب ، ويضيف أحيانًا اقتراحات إضافية لتناسب المشكلة ويشير أحيانًا إلى حالات غير عادية. أثناء: يمكن أن تتوقف الخوارزمية مؤقتًا ، إما بانتظام أو فقط عند وجود حالات شاذة ، وتسأل عما إذا كانت الخوارزمية تفهم وتعلم بعض الحالات بشكل صحيح. بعد: يمكن للإنسان أن يوجه كيفية تطبيق النموذج على المهام بعد الحقيقة. في بعض الأحيان توجد عدة إصدارات من النموذج ويمكن للإنسان اختيار النموذج الأفضل أداءً.
إلى حد كبير ، التعلم الآلي الخاضع للإشراف مخصص للمناطق التي لا يعمل فيها التعلم الآلي بشكل جيد. يضيف العلماء إشرافًا لرفع الأداء إلى مستوى مقبول.
يعد أيضًا جزءًا أساسيًا من حل المشكلات عندما لا تتوفر بيانات تدريب متاحة بسهولة تحتوي على جميع التفاصيل التي يجب تعلمها. تبدأ العديد من مشكلات تعلم الآلة الخاضعة للإشراف بتجميع فريق من الأشخاص الذين سيقومون بوضع علامة على عناصر البيانات أو تسجيلها بالإجابة المطلوبة. على سبيل المثال ، أنشأ بعض العلماء مجموعة من صور الوجوه البشرية ثم طلبوا من البشر الآخرين تصنيف كل وجه بكلمة مثل "سعيد" أو "حزين". سمحت ملصقات التدريب هذه لخوارزمية ML بالبدء في فهم المشاعر التي تنقلها تعابير الوجه البشرية.
ما هو الفرق بين ML الخاضع للإشراف وغير الخاضع للإشراف؟في معظم الحالات ، يمكن أن تعمل خوارزميات التعلم الآلي نفسها مع مجموعات البيانات الخاضعة للإشراف وغير الخاضعة للإشراف. يتمثل الاختلاف الرئيسي في أن خوارزميات التعلم غير الخاضعة للإشراف تبدأ ببيانات أولية ، بينما تحتوي خوارزميات التعلم الخاضع للإشراف على أعمدة أو مجالات إضافية أنشأها البشر. غالبًا ما تسمى هذه التسميات على الرغم من أنه يمكن أن تحتوي أيضًا على قيم رقمية. يتم استخدام نفس الخوارزميات في كلتا الحالتين.
غالبًا ما يُستخدم الإشراف لإضافة الحقول غير الظاهرة ...
ألا تستطيع حضور Transform 2022؟ تحقق من جميع جلسات القمة في مكتبتنا عند الطلب الآن! انظر هنا.
محتويات ما هو الفرق بين ML الخاضع للإشراف وغير الخاضع للإشراف؟ كيف يتم غسل الأموال تحت الإشراف؟ أنواع CB الخاضعة للإشراف كيف تتعامل المؤسسات الكبيرة مع غسل الأموال تحت الإشراف؟ كيف تقوم الشركات الناشئة بتطوير ML تحت الإشراف؟ هل هناك أي شيء خاضع للإشراف لا يستطيع ML القيام به؟تم تصميم عملية التدريب على خوارزمية الذكاء الاصطناعي (AI) بحيث تتم آليًا بالفطرة إلى حد كبير. غالبًا ما يكون هناك الآلاف أو الملايين أو حتى المليارات من نقاط البيانات ، ويجب على الخوارزميات معالجتها جميعًا للعثور على الأنماط. ومع ذلك ، في بعض الحالات ، وجد علماء الذكاء الاصطناعي أنه يمكن جعل الخوارزميات أكثر دقة وكفاءة إذا تمت استشارة البشر ، على الأقل في بعض الأحيان ، أثناء التدريب.
تخلق النتيجة ذكاءً مختلطًا يجمع بين القوة التي لا هوادة فيها والتي لا تكل للتعلم الآلي (ML) مع القدرات الثاقبة والسياقية للذكاء البشري. يمكن لخوارزمية الكمبيوتر المرور عبر ملفات لا حصر لها من بيانات التدريب ، ويقوم البشر بتصحيح الدورة التدريبية أو توجيه المعالجة.
يمكن أن يتم الإشراف على ML في أوقات مختلفة: قبل: بمعنى ما ، يساعد الإنسان في إنشاء مجموعة بيانات التدريب ، ويضيف أحيانًا اقتراحات إضافية لتناسب المشكلة ويشير أحيانًا إلى حالات غير عادية. أثناء: يمكن أن تتوقف الخوارزمية مؤقتًا ، إما بانتظام أو فقط عند وجود حالات شاذة ، وتسأل عما إذا كانت الخوارزمية تفهم وتعلم بعض الحالات بشكل صحيح. بعد: يمكن للإنسان أن يوجه كيفية تطبيق النموذج على المهام بعد الحقيقة. في بعض الأحيان توجد عدة إصدارات من النموذج ويمكن للإنسان اختيار النموذج الأفضل أداءً.
إلى حد كبير ، التعلم الآلي الخاضع للإشراف مخصص للمناطق التي لا يعمل فيها التعلم الآلي بشكل جيد. يضيف العلماء إشرافًا لرفع الأداء إلى مستوى مقبول.
يعد أيضًا جزءًا أساسيًا من حل المشكلات عندما لا تتوفر بيانات تدريب متاحة بسهولة تحتوي على جميع التفاصيل التي يجب تعلمها. تبدأ العديد من مشكلات تعلم الآلة الخاضعة للإشراف بتجميع فريق من الأشخاص الذين سيقومون بوضع علامة على عناصر البيانات أو تسجيلها بالإجابة المطلوبة. على سبيل المثال ، أنشأ بعض العلماء مجموعة من صور الوجوه البشرية ثم طلبوا من البشر الآخرين تصنيف كل وجه بكلمة مثل "سعيد" أو "حزين". سمحت ملصقات التدريب هذه لخوارزمية ML بالبدء في فهم المشاعر التي تنقلها تعابير الوجه البشرية.
ما هو الفرق بين ML الخاضع للإشراف وغير الخاضع للإشراف؟في معظم الحالات ، يمكن أن تعمل خوارزميات التعلم الآلي نفسها مع مجموعات البيانات الخاضعة للإشراف وغير الخاضعة للإشراف. يتمثل الاختلاف الرئيسي في أن خوارزميات التعلم غير الخاضعة للإشراف تبدأ ببيانات أولية ، بينما تحتوي خوارزميات التعلم الخاضع للإشراف على أعمدة أو مجالات إضافية أنشأها البشر. غالبًا ما تسمى هذه التسميات على الرغم من أنه يمكن أن تحتوي أيضًا على قيم رقمية. يتم استخدام نفس الخوارزميات في كلتا الحالتين.
غالبًا ما يُستخدم الإشراف لإضافة الحقول غير الظاهرة ...
What's Your Reaction?
