Introduction :
L'apprentissage automatique est le processus par lequel une machine apprend à partir de données passées, puis fait des prédictions sur l'avenir à partir de cet apprentissage. Parfois une petite participation humaine est nécessaire, parfois aucune. Le principal inconvénient de l'apprentissage supervisé est qu'il nécessite l'intervention d'un spécialiste du ML auprès du data scientist, ce qui est une technique coûteuse. L'apprentissage automatique semi-supervisé a été introduit pour remédier à cette lacune. Imaginez pouvoir prévoir et prendre des décisions sur les revenus futurs de votre entreprise grâce à l'apprentissage automatique.
Qu'est-ce que l'apprentissage semi-supervisé ?
L'apprentissage semi-supervisé est un type d'apprentissage automatique qui se situe entre l'apprentissage supervisé et l'apprentissage non supervisé. La combinaison d'une petite quantité de données catégorisées et d'un grand volume de données non étiquetées s'appelle l'apprentissage semi-supervisé. Il combine les avantages de l'apprentissage supervisé et de l'apprentissage non supervisé.
Comment fonctionne l'apprentissage semi-supervisé ?
L'apprentissage semi-supervisé, contrairement à l'apprentissage supervisé, emploie le pseudo-étiquetage pour entraîner le modèle avec moins de données d'entraînement étiquetées. Divers modèles de réseaux de neurones et méthodes d'entraînement peuvent être combinés dans cette procédure. Les points suivants illustrent le fonctionnement de l'apprentissage semi-supervisé :
- Pour commencer, il entraîne le modèle avec une plus petite quantité de données d'entraînement que les modèles supervisés. Le modèle est entraîné jusqu'à ce qu'il produise des résultats corrects.
- À l'étape suivante, les algorithmes utilisent le jeu de données non étiqueté avec des pseudo-étiquettes, et la sortie peut ne plus être correcte.
- Les données à pseudo-étiquettes et les étiquettes des données d'entraînement étiquetées sont maintenant reliées.
- De plus, les données d'entrée des données d'entraînement non étiquetées sont reliées.
- Enfin, comme à l'étape précédente, réentraînez le modèle avec la nouvelle entrée combinée. Cela réduira les erreurs et améliorera la précision du modèle.[1]
Quel est un exemple d'apprentissage semi-supervisé ?
Analyse de la parole
C'est l'application la plus connue de l'apprentissage semi-supervisé. Comme la classification de données audio est l'opération la plus difficile et nécessite de nombreuses ressources humaines, ce problème peut être résolu naturellement en utilisant le SSL dans un modèle d'apprentissage semi-supervisé.
Classification de contenus web
Cependant, étiqueter chaque page d'internet est extrêmement important et difficile, car cela exige une interaction humaine considérable. Même ainsi, grâce aux algorithmes d'apprentissage semi-supervisé, ce problème peut être atténué.
En outre, Google classe une page web pour une requête donnée à l'aide d'algorithmes d'apprentissage semi-supervisé.
Classification de séquences de protéines
Comme les brins d'ADN sont plus longs, une intervention humaine importante est nécessaire. Dans ce secteur, l'émergence du modèle semi-supervisé a été proche.
Quels sont les types d'apprentissage semi-supervisé ?
Voici les types d'apprentissage automatique
- Apprentissage par induction
Le but de l'apprentissage inductif est de généraliser à de nouvelles données. L'apprentissage inductif est donc le processus de création d'un algorithme d'apprentissage qui apprend à partir d'un jeu d'entraînement étiqueté puis généralise à de nouvelles données.
- Apprentissage transductif
L'objectif de l'apprentissage transductif est de transférer les connaissances issues de jeux de données d'entraînement étiquetés vers des données (d'entraînement) non étiquetées facilement disponibles.
Quels sont les avantages de l'apprentissage semi-supervisé ?
- Il est facile à comprendre.
- Il réduit la quantité de données annotées utilisées.
- C'est un algorithme stable.
- C'est simple.
- Il offre une grande efficacité.
Quels sont les inconvénients de l'apprentissage semi-supervisé ?
- Les résultats des itérations ne sont pas stables.
- Il n'est pas applicable aux données au niveau du réseau.
- Sa précision est faible.
Conclusion :
Dans l'apprentissage semi-supervisé, vous pouvez utiliser des données étiquetées ou non étiquetées comme données d'entraînement. L'apprentissage automatique peut être utilisé selon les besoins et les préférences de l'entreprise, en gardant à l'esprit les avantages et les inconvénients de chaque méthode d'apprentissage.
- Introduction to Semi-Supervised Learning. Available from: https://www.javatpoint.com/semi-supervised-learning.
More about semi-supervised learning
Want to go further with semi-supervised learning? These Netstech guides and services are a good next step:
