Kendi Kendine Denetimli Öğrenme

Kendi Kendine Denetimli Öğrenme, modelleri eğitmek için etiketlenmemiş verilerden yararlanan bir makine öğrenimi yaklaşımıdır. Etiketli veri kümeleri gerektiren denetimli öğrenmenin aksine, kendi kendine denetimli öğrenme etiketsiz verinin kendi yapısından kendi etiketlerini oluşturur. Bu yöntem özellikle bilgisayarla görme (CV) ve doğal dil işleme (NLP ) gibi çok miktarda etiketsiz verinin kolayca bulunabildiği, ancak manuel etiketlemenin maliyetli ve zaman alıcı olduğu alanlarda değerlidir.

Öz Denetimli Öğrenme Nasıl Çalışır?

Öz denetimli öğrenmenin ana fikri, bir modelin etiketsiz verilerden faydalı temsiller öğrenmesine olanak tanıyan bir 'bahane görevi' tasarlamaktır. Bu bahane görevi, çözülmesi için verideki anlamlı örüntülerin anlaşılmasını gerektirecek şekilde formüle edilir. Örneğin, görüntü işlemede, bir görüntü yamasına uygulanan rotasyonu tahmin etmek veya gri tonlamalı bir görüntüyü renklendirmek bir ön görev olabilir. Dil işlemede, yaygın bir bahane görevi, modelin bir cümledeki maskelenmiş kelimeleri tahmin ettiği maskelenmiş dil modellemesidir.

Model, büyük miktarda etiketlenmemiş veri kullanılarak bahane görevi üzerinde eğitildikten sonra, verilerin genel özelliklerini ve temsillerini öğrenir. Öğrenilen bu temsiller daha sonra nesne algılama, görüntü sınıflandırma veya görüntü segmentasyonu gibi sonraki görevler için, genellikle tamamen denetimli eğitim için gerekenden önemli ölçüde daha az etiketli veri ile aktarılabilir ve ince ayar yapılabilir. Bu transfer öğrenme özelliği, kendi kendine denetimli öğrenmenin önemli bir avantajıdır.

Öz Denetimli Öğrenme Uygulamaları

Öz denetimli öğrenme, özellikle etiketli verilerin az olduğu veya elde edilmesinin pahalı olduğu çeşitli alanlarda uygulama alanı bulmuştur:

• Bilgisayarla Görme: Tıbbi görüntü analizinde, kendi kendine denetimli öğrenme, etiketsiz tıbbi görüntülerin (X-ışınları veya MRI taramaları gibi) büyük veri kümeleri üzerinde modelleri önceden eğitebilir. Bu önceden eğitilmiş modeller daha sonra sınırlı etiketli veriler kullanılarak belirli teşhis görevleri için ince ayar yapılabilir ve tıbbi görüntü yorumlamasının doğruluğu ve verimliliği artırılabilir. Örneğin, aşağıdaki gibi modeller Ultralytics YOLOv8 tıbbi görüntülerdeki anormallikleri tespit etme performanslarını artırmak için öz denetimli ön eğitimden faydalanabilir.
• Doğal Dil İşleme: GPT-4 gibi büyük dil modelleri (LLM'ler) genellikle büyük miktarda metin verisi üzerinde kendi kendine denetimli öğrenme teknikleri kullanılarak önceden eğitilir. Bu ön eğitim, genel dil anlama ve üretme yeteneklerini öğrenmelerini sağlar ve daha sonra metin özetleme, çeviri veya duygu analizi gibi belirli NLP görevleri için ince ayar yapılır. Hızlı ayarlama gibi teknikler, yeni görevlere verimli adaptasyon için bu önceden eğitilmiş modellerden daha fazla yararlanır.

Kendi Kendine Denetimli Öğrenme ve Benzer Kavramlar

Kendi kendine denetimli öğrenmeyi diğer ilgili makine öğrenimi paradigmalarından ayırmak önemlidir:

• Denetimsiz Öğrenme: Her ikisi de etiketsiz veri kullanırken, denetimsiz öğrenme, belirli bir görev göz önünde bulundurulmaksızın (örneğin, kümeleme, boyut azaltma) verilerdeki doğal yapıları veya kalıpları bulmayı amaçlar. Öte yandan, öz denetimli öğrenme, sonraki görevler için yararlı olan temsilleri öğrenmek için bir ön görev formüle eder.
• Yarı Denetimli Öğrenme: Yarı denetimli öğrenme etiketli ve etiketsiz verilerin bir kombinasyonunu kullanır, ancak yine de eğitim için bir miktar etiketli veriye dayanır. Kendi kendine denetimli öğrenme öncelikle etiketsiz verilerden öğrenmeye ve ardından az miktarda etiketli veri ile potansiyel olarak ince ayar yapmaya odaklanır.

Kendi kendine denetimli öğrenme, makine öğreniminde önemli bir ilerlemeyi temsil ederek, mevcut büyük miktarda etiketsiz verinin etkili bir şekilde kullanılmasını sağlar ve pahalı etiketli veri kümelerine olan bağımlılığı azaltır. Gibi modeller Ultralytics YOLO11 gelişmeye devam ettikçe, kendi kendini denetleyen teknikler, çeşitli görsel yapay zeka uygulamalarında performanslarını ve uygulanabilirliklerini artırmada muhtemelen giderek daha önemli bir rol oynayacaktır.