Obviamente, está trabajando con un conjunto de datos etiquetado cuando está construyendo modelos (generalmente predictivos) utilizando aprendizaje supervisado. El objetivo del aprendizaje no supervisado es a menudo de naturaleza exploratoria (agrupación, compresión) trabajando con datos no etiquetados.
En el aprendizaje semi-supervisado, básicamente está tratando de resolver un enfoque de aprendizaje supervisado utilizando datos etiquetados, aumentados por (típicamente una pequeña cantidad de) datos no etiquetados. Por lo tanto, el objetivo es superar uno de los problemas del aprendizaje supervisado: no tener suficientes datos etiquetados. Al agregar datos baratos y abundantes sin etiquetar, espera construir un modelo mejor que usar solo el aprendizaje supervisado.
Aunque el aprendizaje semi-supervisado suena como un enfoque poderoso, tenga cuidado. El aprendizaje semi-supervisado no siempre es “el martillo del clavo” que está buscando, a veces funciona muy bien, a veces no. Por ejemplo, revise el siguiente documento:
- ¿Qué papel juega la intuición en las matemáticas y puede la IA reemplazar completamente a un matemático?
- ¿Cuáles son las diferencias entre los métodos de análisis de componentes principales?
- ¿Hay abandonos universitarios que trabajan como científicos de datos o especialistas en aprendizaje automático?
- Cómo desarrollar una aplicación que reproduzca música de acuerdo a tu estado de ánimo
- ¿Cuál es la ley cero del algoritmo de aprendizaje automático (MLA)?
Singh, Aarti, Robert Nowak y Xiaojin Zhu. “Datos sin etiquetar: ahora ayuda, ahora no”. Avances en los sistemas de procesamiento de información neuronal. 2009. (http://www.cs.cmu.edu/~aarti/pub…)
Además, tenga en cuenta que debe hacer ciertas suposiciones (suposiciones múltiples, agrupadas o de suavidad; consulte aquí para obtener más detalles: Aprendizaje semi-supervisado).
