목차
연구소 소개
" >레이블이 있는 데이터의 "유용한" 정보를 효과적으로 보완하기 위해 데이터 분할 및 기타 측면에 대해 몇 가지 가정을 합니다. 준지도 학습의 기본 가정은 p(x)에는 p(y|x)의 정보가 포함되어 있다는 것입니다. 즉, 레이블이 지정되지 않은 데이터에는 레이블 예측에 유용하고 레이블이 지정된 데이터와 다르거나 어려운 정보가 포함되어야 합니다. 데이터에서 추출된 정보를 라벨링하여 얻습니다. 또한 알고리즘을 제공하는 몇 가지 가정이 있습니다. 예를 들어, 유사성 가설(부드러움 가설)은 데이터 샘플로 구성된 속성 공간에서 가깝거나 유사한 샘플이 동일한 레이블을 갖는다는 것을 의미하고, 저밀도 분리 가설은 서로 다른 레이블을 구별할 수 있는 결정 경계가 있음을 의미합니다. 데이터 샘플이 거의 없습니다.
준지도 학습의 가장 큰 문제는 많은 경우 모델의 성능이 레이블이 지정된 데이터 세트에 따라 달라지며 레이블이 있는 데이터 세트에 대한 품질 요구 사항이 높다는 것입니다. 지도 학습 모델의 예측 정확도는 레이블이 지정된 데이터 세트를 기반으로 한 지도 모델의 결과와 크게 다르지 않습니다. 반면, 준 지도 모델은 효과적인 추출을 위해 더 많은 리소스를 소비합니다. 라벨이 지정되지 않은 데이터의 정보입니다. 따라서 준지도 학습의 개발 방향은 알고리즘의 견고성과 데이터 추출의 효율성을 향상시키는 것입니다.
기술 주변기기 일체 포함 재작성된 제목: 준지도 학습의 응용 분야 및 관련 시나리오 탐색

재작성된 제목: 준지도 학습의 응용 분야 및 관련 시나리오 탐색

Nov 18, 2023 pm 10:21 PM
일체 포함 준지도 학습

재작성된 제목: 준지도 학습의 응용 분야 및 관련 시나리오 탐색

연구소 소개

인터넷의 발달로 기업은 점점 더 많은 데이터를 얻을 수 있습니다. 이 데이터는 기업이 고객 프로필이라고 하는 사용자를 더 잘 이해하는 데 도움이 되며 사용자 경험을 향상시킬 수 있습니다. 그러나 이러한 데이터에는 라벨이 지정되지 않은 데이터가 많이 있을 수 있습니다. 모든 데이터에 수동으로 레이블을 지정하면 두 가지 문제가 발생합니다. 우선, 수동 라벨링은 시간이 많이 걸리고 비효율적입니다. 데이터의 양이 증가할수록 더 많은 인력을 고용해야 하고, 시간도 더 걸리며, 비용도 더 많이 들게 됩니다. 둘째, 사용자 규모가 증가함에 따라 수동 라벨링으로는 증가하는 데이터를 따라잡기가 어렵습니다. Part 01,

준지도 학습이란 무엇인가요?

준지도 학습은 기존 학습을 의미합니다. labels 데이터에 모델 학습을 위한 레이블이 지정되지 않은 데이터가 있습니다. 준지도 학습은 일반적으로 레이블이 지정된 데이터를 기반으로 속성 공간을 구성한 다음 레이블이 없는 데이터에서 효과적인 정보를 추출하여 속성 공간을 채우거나 재구성합니다. 따라서 준지도 학습의 초기 훈련 세트는 일반적으로 레이블이 지정된 데이터 세트 D1과 레이블이 지정되지 않은 데이터 세트 D2로 구분되며, 전처리 및 특징 추출과 같은 기본 단계를 통해 준지도 학습 모델이 훈련된 후 훈련된 모델이 됩니다. 프로덕션 환경에서 사용자에게 서비스를 제공하는 데 사용됩니다.

Part 02. 준지도 학습의 가정 재작성된 제목: 준지도 학습의 응용 분야 및 관련 시나리오 탐색

레이블이 있는 데이터의 "유용한" 정보를 효과적으로 보완하기 위해 데이터 분할 및 기타 측면에 대해 몇 가지 가정을 합니다. 준지도 학습의 기본 가정은 p(x)에는 p(y|x)의 정보가 포함되어 있다는 것입니다. 즉, 레이블이 지정되지 않은 데이터에는 레이블 예측에 유용하고 레이블이 지정된 데이터와 다르거나 어려운 정보가 포함되어야 합니다. 데이터에서 추출된 정보를 라벨링하여 얻습니다. 또한 알고리즘을 제공하는 몇 가지 가정이 있습니다. 예를 들어, 유사성 가설(부드러움 가설)은 데이터 샘플로 구성된 속성 공간에서 가깝거나 유사한 샘플이 동일한 레이블을 갖는다는 것을 의미하고, 저밀도 분리 가설은 서로 다른 레이블을 구별할 수 있는 결정 경계가 있음을 의미합니다. 데이터 샘플이 거의 없습니다.

위 가정의 주요 목적은 레이블이 있는 데이터와 레이블이 없는 데이터가 동일한 데이터 분포에서 나온다는 것을 보여주는 것입니다.

Part 03,

준지도 학습 알고리즘 분류

반지도 학습 알고리즘에는 여러 가지가 있으며 대략

전환 학습(전환 학습) 으로 나눌 수 있습니다. 귀납적 학습( 귀납적 모델) , 둘의 차이점은 모델 평가에 사용되는 테스트 데이터 세트의 선택에 있습니다. 직접 푸시 준지도 학습은 레이블을 예측해야 하는 데이터 세트가 훈련에 사용되는 레이블이 없는 데이터 세트임을 의미합니다. 학습의 목적은 예측 결과의 정확도를 더욱 향상시키는 것입니다. 귀납적 학습은 전혀 알려지지 않은 데이터 세트에 대한 레이블을 예측합니다.

또한 일반적인 준지도 학습 알고리즘의 단계는 다음과 같습니다. 첫 번째 단계는 레이블이 지정된 데이터에 대한 모델을 교육한 다음 이 모델을 사용하여 레이블이 없는 데이터에 레이블을 지정한 다음 의사 레이블과 레이블이 지정된 데이터는 새로운 훈련 세트로 결합되고, 새로운 모델은 이 훈련 세트에서 훈련되며, 마지막으로 모델은 예측 데이터 세트에 레이블을 지정하는 데 사용됩니다. 재작성된 제목: 준지도 학습의 응용 분야 및 관련 시나리오 탐색

Part 04, 요약

준지도 학습의 가장 큰 문제는 많은 경우 모델의 성능이 레이블이 지정된 데이터 세트에 따라 달라지며 레이블이 있는 데이터 세트에 대한 품질 요구 사항이 높다는 것입니다. 지도 학습 모델의 예측 정확도는 레이블이 지정된 데이터 세트를 기반으로 한 지도 모델의 결과와 크게 다르지 않습니다. 반면, 준 지도 모델은 효과적인 추출을 위해 더 많은 리소스를 소비합니다. 라벨이 지정되지 않은 데이터의 정보입니다. 따라서 준지도 학습의 개발 방향은 알고리즘의 견고성과 데이터 추출의 효율성을 향상시키는 것입니다.

현재 준지도 학습 분야에서는 PU-Learning(긍정적 및 부정적 샘플 학습)이 인기 있는 알고리즘입니다. 이러한 유형의 알고리즘은 주로 양성 샘플과 레이블이 없는 데이터만 포함된 데이터 세트에 적용됩니다. 장점은 일부 시나리오에서는 신뢰할 수 있는 양성 샘플 데이터 세트를 상대적으로 쉽게 얻을 수 있고 데이터 양이 상대적으로 많다는 것입니다. 예를 들어 스팸 탐지에서는 대량의 일반 이메일 데이터를 쉽게 얻을 수 있습니다

위 내용은 재작성된 제목: 준지도 학습의 응용 분야 및 관련 시나리오 탐색의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

본 웹사이트의 성명
본 글의 내용은 네티즌들의 자발적인 기여로 작성되었으며, 저작권은 원저작자에게 있습니다. 본 사이트는 이에 상응하는 법적 책임을 지지 않습니다. 표절이나 침해가 의심되는 콘텐츠를 발견한 경우 admin@php.cn으로 문의하세요.

핫 AI 도구

Undresser.AI Undress

Undresser.AI Undress

사실적인 누드 사진을 만들기 위한 AI 기반 앱

AI Clothes Remover

AI Clothes Remover

사진에서 옷을 제거하는 온라인 AI 도구입니다.

Undress AI Tool

Undress AI Tool

무료로 이미지를 벗다

Clothoff.io

Clothoff.io

AI 옷 제거제

AI Hentai Generator

AI Hentai Generator

AI Hentai를 무료로 생성하십시오.

인기 기사

R.E.P.O. 에너지 결정과 그들이하는 일 (노란색 크리스탈)
3 몇 주 전 By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. 최고의 그래픽 설정
3 몇 주 전 By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. 아무도들을 수없는 경우 오디오를 수정하는 방법
3 몇 주 전 By 尊渡假赌尊渡假赌尊渡假赌

뜨거운 도구

메모장++7.3.1

메모장++7.3.1

사용하기 쉬운 무료 코드 편집기

SublimeText3 중국어 버전

SublimeText3 중국어 버전

중국어 버전, 사용하기 매우 쉽습니다.

스튜디오 13.0.1 보내기

스튜디오 13.0.1 보내기

강력한 PHP 통합 개발 환경

드림위버 CS6

드림위버 CS6

시각적 웹 개발 도구

SublimeText3 Mac 버전

SublimeText3 Mac 버전

신 수준의 코드 편집 소프트웨어(SublimeText3)

Bytedance Cutting, SVIP 슈퍼 멤버십 출시: 연간 연속 구독료 499위안, 다양한 AI 기능 제공 Bytedance Cutting, SVIP 슈퍼 멤버십 출시: 연간 연속 구독료 499위안, 다양한 AI 기능 제공 Jun 28, 2024 am 03:51 AM

이 사이트는 6월 27일에 Jianying이 ByteDance의 자회사인 FaceMeng Technology에서 개발한 비디오 편집 소프트웨어라고 보도했습니다. 이 소프트웨어는 Douyin 플랫폼을 기반으로 하며 기본적으로 플랫폼 사용자를 위한 짧은 비디오 콘텐츠를 제작합니다. Windows, MacOS 및 기타 운영 체제. Jianying은 멤버십 시스템 업그레이드를 공식 발표하고 지능형 번역, 지능형 하이라이트, 지능형 패키징, 디지털 인간 합성 등 다양한 AI 블랙 기술을 포함하는 새로운 SVIP를 출시했습니다. 가격면에서 SVIP 클리핑 월 요금은 79위안, 연간 요금은 599위안(본 사이트 참고: 월 49.9위안에 해당), 월간 연속 구독료는 월 59위안, 연간 연속 구독료는 59위안입니다. 연간 499위안(월 41.6위안)입니다. 또한, 컷 관계자는 "사용자 경험 향상을 위해 기존 VIP에 가입하신 분들도

Rag 및 Sem-Rag를 사용한 상황 증강 AI 코딩 도우미 Rag 및 Sem-Rag를 사용한 상황 증강 AI 코딩 도우미 Jun 10, 2024 am 11:08 AM

검색 강화 생성 및 의미론적 메모리를 AI 코딩 도우미에 통합하여 개발자 생산성, 효율성 및 정확성을 향상시킵니다. EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG에서 번역됨, 저자 JanakiramMSV. 기본 AI 프로그래밍 도우미는 자연스럽게 도움이 되지만, 소프트웨어 언어에 대한 일반적인 이해와 소프트웨어 작성의 가장 일반적인 패턴에 의존하기 때문에 가장 관련성이 높고 정확한 코드 제안을 제공하지 못하는 경우가 많습니다. 이러한 코딩 도우미가 생성한 코드는 자신이 해결해야 할 문제를 해결하는 데 적합하지만 개별 팀의 코딩 표준, 규칙 및 스타일을 따르지 않는 경우가 많습니다. 이로 인해 코드가 애플리케이션에 승인되기 위해 수정되거나 개선되어야 하는 제안이 나타나는 경우가 많습니다.

7가지 멋진 GenAI 및 LLM 기술 인터뷰 질문 7가지 멋진 GenAI 및 LLM 기술 인터뷰 질문 Jun 07, 2024 am 10:06 AM

AIGC에 대해 자세히 알아보려면 다음을 방문하세요. 51CTOAI.x 커뮤니티 https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou는 인터넷 어디에서나 볼 수 있는 전통적인 문제 은행과 다릅니다. 고정관념에서 벗어나 생각해야 합니다. LLM(대형 언어 모델)은 데이터 과학, 생성 인공 지능(GenAI) 및 인공 지능 분야에서 점점 더 중요해지고 있습니다. 이러한 복잡한 알고리즘은 인간의 기술을 향상시키고 많은 산업 분야에서 효율성과 혁신을 촉진하여 기업이 경쟁력을 유지하는 데 핵심이 됩니다. LLM은 자연어 처리, 텍스트 생성, 음성 인식 및 추천 시스템과 같은 분야에서 광범위하게 사용될 수 있습니다. LLM은 대량의 데이터로부터 학습하여 텍스트를 생성할 수 있습니다.

미세 조정을 통해 LLM이 실제로 새로운 것을 배울 수 있습니까? 새로운 지식을 도입하면 모델이 더 많은 환각을 생성할 수 있습니다. 미세 조정을 통해 LLM이 실제로 새로운 것을 배울 수 있습니까? 새로운 지식을 도입하면 모델이 더 많은 환각을 생성할 수 있습니다. Jun 11, 2024 pm 03:57 PM

LLM(대형 언어 모델)은 대규모 텍스트 데이터베이스에서 훈련되어 대량의 실제 지식을 습득합니다. 이 지식은 매개변수에 내장되어 필요할 때 사용할 수 있습니다. 이러한 모델에 대한 지식은 훈련이 끝나면 "구체화"됩니다. 사전 훈련이 끝나면 모델은 실제로 학습을 중단합니다. 모델을 정렬하거나 미세 조정하여 이 지식을 활용하고 사용자 질문에 보다 자연스럽게 응답하는 방법을 알아보세요. 그러나 때로는 모델 지식만으로는 충분하지 않을 때도 있으며, 모델이 RAG를 통해 외부 콘텐츠에 접근할 수 있더라도 미세 조정을 통해 모델을 새로운 도메인에 적응시키는 것이 유익한 것으로 간주됩니다. 이러한 미세 조정은 인간 주석 작성자 또는 기타 LLM 생성자의 입력을 사용하여 수행됩니다. 여기서 모델은 추가적인 실제 지식을 접하고 이를 통합합니다.

대형 모델에 대한 새로운 과학적이고 복잡한 질문 답변 벤치마크 및 평가 시스템을 제공하기 위해 UNSW, Argonne, University of Chicago 및 기타 기관이 공동으로 SciQAG 프레임워크를 출시했습니다. 대형 모델에 대한 새로운 과학적이고 복잡한 질문 답변 벤치마크 및 평가 시스템을 제공하기 위해 UNSW, Argonne, University of Chicago 및 기타 기관이 공동으로 SciQAG 프레임워크를 출시했습니다. Jul 25, 2024 am 06:42 AM

편집자 |ScienceAI 질문 응답(QA) 데이터 세트는 자연어 처리(NLP) 연구를 촉진하는 데 중요한 역할을 합니다. 고품질 QA 데이터 세트는 모델을 미세 조정하는 데 사용될 수 있을 뿐만 아니라 LLM(대형 언어 모델)의 기능, 특히 과학적 지식을 이해하고 추론하는 능력을 효과적으로 평가하는 데에도 사용할 수 있습니다. 현재 의학, 화학, 생물학 및 기타 분야를 포괄하는 과학적인 QA 데이터 세트가 많이 있지만 이러한 데이터 세트에는 여전히 몇 가지 단점이 있습니다. 첫째, 데이터 형식이 비교적 단순하고 대부분이 객관식 질문이므로 평가하기 쉽지만 모델의 답변 선택 범위가 제한되고 모델의 과학적 질문 답변 능력을 완전히 테스트할 수 없습니다. 이에 비해 개방형 Q&A는

당신이 모르는 머신러닝의 5가지 학교 당신이 모르는 머신러닝의 5가지 학교 Jun 05, 2024 pm 08:51 PM

머신 러닝은 명시적으로 프로그래밍하지 않고도 컴퓨터가 데이터로부터 학습하고 능력을 향상시킬 수 있는 능력을 제공하는 인공 지능의 중요한 분야입니다. 머신러닝은 이미지 인식, 자연어 처리, 추천 시스템, 사기 탐지 등 다양한 분야에서 폭넓게 활용되며 우리의 삶의 방식을 변화시키고 있습니다. 기계 학습 분야에는 다양한 방법과 이론이 있으며, 그 중 가장 영향력 있는 5가지 방법을 "기계 학습의 5개 학교"라고 합니다. 5개 주요 학파는 상징학파, 연결주의 학파, 진화학파, 베이지안 학파, 유추학파이다. 1. 상징주의라고도 알려진 상징주의는 논리적 추론과 지식 표현을 위해 상징을 사용하는 것을 강조합니다. 이 사고 학교는 학습이 기존을 통한 역연역 과정이라고 믿습니다.

SOTA 성능, 샤먼 다중 모드 단백질-리간드 친화성 예측 AI 방법, 최초로 분자 표면 정보 결합 SOTA 성능, 샤먼 다중 모드 단백질-리간드 친화성 예측 AI 방법, 최초로 분자 표면 정보 결합 Jul 17, 2024 pm 06:37 PM

Editor | KX 약물 연구 및 개발 분야에서 단백질과 리간드의 결합 친화도를 정확하고 효과적으로 예측하는 것은 약물 스크리닝 및 최적화에 매우 중요합니다. 그러나 현재 연구에서는 단백질-리간드 상호작용에서 분자 표면 정보의 중요한 역할을 고려하지 않습니다. 이를 기반으로 Xiamen University의 연구자들은 처음으로 단백질 표면, 3D 구조 및 서열에 대한 정보를 결합하고 교차 주의 메커니즘을 사용하여 다양한 양식 특징을 비교하는 새로운 다중 모드 특징 추출(MFE) 프레임워크를 제안했습니다. 조정. 실험 결과는 이 방법이 단백질-리간드 결합 친화도를 예측하는 데 있어 최첨단 성능을 달성한다는 것을 보여줍니다. 또한 절제 연구는 이 프레임워크 내에서 단백질 표면 정보와 다중 모드 기능 정렬의 효율성과 필요성을 보여줍니다. 관련 연구는 "S"로 시작된다

AI와 같은 시장을 개척하는 GlobalFoundries는 Tagore Technology의 질화 갈륨 기술 및 관련 팀을 인수합니다. AI와 같은 시장을 개척하는 GlobalFoundries는 Tagore Technology의 질화 갈륨 기술 및 관련 팀을 인수합니다. Jul 15, 2024 pm 12:21 PM

7월 5일 이 웹사이트의 소식에 따르면 글로벌파운드리는 올해 7월 1일 보도자료를 통해 타고르 테크놀로지(Tagore Technology)의 전력질화갈륨(GaN) 기술 및 지적재산권 포트폴리오 인수를 발표하고 자동차와 인터넷 시장 점유율 확대를 희망하고 있다고 밝혔다. 더 높은 효율성과 더 나은 성능을 탐구하기 위한 사물 및 인공 지능 데이터 센터 응용 분야입니다. 생성 AI와 같은 기술이 디지털 세계에서 계속 발전함에 따라 질화갈륨(GaN)은 특히 데이터 센터에서 지속 가능하고 효율적인 전력 관리를 위한 핵심 솔루션이 되었습니다. 이 웹사이트는 이번 인수 기간 동안 Tagore Technology의 엔지니어링 팀이 GLOBALFOUNDRIES에 합류하여 질화갈륨 기술을 더욱 개발할 것이라는 공식 발표를 인용했습니다. G

See all articles