I diversi tipi di apprendimento automatico

- Potresti pensare all'apprendimento automatico come a un nome diverso per qualcosa che è già in giro. Forse è solo un modo aggiornato per descrivere le statistiche o un nuovo modo di parlare di scienza dei dati. Ma la chiave quando si pensa all'apprendimento automatico è l'attenzione al termine apprendimento. L'apprendimento automatico ha certamente statistiche. Potrebbe anche essere una parte fondamentale dei tuoi sforzi di data science. Ma questi sono solo gli strumenti di cui la tua macchina ha bisogno per imparare, non sono un sostituto dell'apprendimento. Pensa a cosa significa imparare. Quali sono le diverse strategie che usi per imparare qualcosa di nuovo? Come puoi prendere queste strategie e poi applicarle alle macchine? Immagina di voler imparare a giocare a scacchi. Potresti farlo in un paio di modi diversi. Potresti assumere un tutor di scacchi. Ti presenterebbero alcuni dei diversi pezzi degli scacchi e come si muovono su tutta la linea. Potresti esercitarti giocando contro il tuo tutor e loro supervisionerebbero le tue mosse e ti aiuteranno quando hai commesso un errore. Poi, dopo un po ', il tuo tutor finiva tutte le tue lezioni e iniziavi a giocare in modo competitivo con gli altri. Supponiamo che tu non sia riuscito a trovare un tutor. Quindi potresti andare nei parchi pubblici e guardare diverse centinaia di esperti giocare. Non potevi fare loro domande, guardavi e imparavi tranquillamente. Se lo fai abbastanza a lungo, probabilmente capiresti il gioco. Potresti non conoscere i nomi dei pezzi degli scacchi, ma potresti capire le mosse e le strategie dalle tue ore di osservazioni. Potresti anche provare una combinazione di questi due approcci. Un tutor di scacchi ti mostrerebbe le regole di base, poi torneresti a guardare altre persone che giocano. Avresti una panoramica di alto livello e i nomi dei pezzi degli scacchi, ma ti affideresti alle osservazioni come il modo per vedere le nuove strategie e migliorare. Queste tre strategie sono molto simili a come una macchina potrebbe imparare. Potresti fare qualcosa chiamato apprendimento supervisionato. Qui, uno scienziato dei dati agisce come un tutor per la macchina. Addestrano la macchina mostrandole le regole di base e dandogli una strategia generale. Potresti anche provare l'apprendimento non supervisionato. Qui, hai solo la macchina che fa tutte le osservazioni da sola. La macchina potrebbe non conoscere tutti i diversi nomi ed etichette, ma troverà i modelli da soli. Infine, potresti mescolare i due e provare l'apprendimento semi-supervisionato. Qui, alleneresti la macchina solo un po 'in modo che ottengano una panoramica di alto livello. Quindi la maggior parte dell'apprendimento delle regole e delle strategie avviene attraverso l'osservazione di diversi modelli. Come puoi immaginare, tutti e tre gli approcci hanno i loro punti di forza e di debolezza. Per l'apprendimento supervisionato, avrai bisogno di un tutor esperto. Ci deve essere qualcuno là fuori che sappia molto di scacchi e possa mostrarti come giocare. Con l'apprendimento non supervisionato, è necessario avere accesso a molti dati. Potresti non essere in grado di andare in un parco pubblico e guardare centinaia di esperti diversi giocare al gioco. Dipende anche un po 'da chi guardi. Devi guardare le persone che stanno giocando bene. Con l'apprendimento semi-supervisionato, puoi incorrere in problemi da entrambe le parti. Se hai un cattivo tutor, sarà molto più difficile imparare attraverso le osservazioni. D'altra parte, se hai un grande tutor, ma le persone che osservi sono giocatori poveri, allora potresti capire il gioco, ma non diventare davvero un maestro. Potresti essere in una posizione in cui puoi decidere quale approccio funziona meglio. Ma, spesso, devi solo fare il meglio con ciò che è disponibile. Se non riesci a trovare un tutor, allora devi fare del tuo meglio osservando le persone nei parchi pubblici. Se non hai un parco pubblico, allora devi fare del tuo meglio per trovare un buon tutor. Puoi fare apprendimento semi-supervisionato solo se hai accesso a entrambi.