Yarı Denetimli Öğrenme, denetimli ve denetimsiz öğrenme arasındaki boşluğu dolduran bir makine öğrenimi dalıdır. Modelleri eğitmek için hem etiketli hem de etiketsiz verilerden yararlanır. Birçok gerçek dünya senaryosunda, etiketli verilerin elde edilmesi pahalı ve zaman alıcı olabilir ve uzmanlar tarafından manuel açıklama yapılmasını gerektirir. Öte yandan etiketsiz veriler genellikle büyük miktarlarda hazır olarak bulunur. Yarı denetimli öğrenme teknikleri, özellikle etiketli verilerin az olduğu durumlarda modellerin performansını artırmak için bu etiketsiz veri bolluğundan yararlanır.
Yarı Gözetimli Öğrenme Nasıl Çalışır?
Tamamen etiketli verilere dayanan denetimli öğrenmenin ve yalnızca etiketsiz verileri kullanan denetimsiz öğrenmenin aksine, yarı denetimli öğrenme her ikisini de birleştirir. Temel fikir, etiketsiz verilerin veri dağılımının altında yatan yapı hakkında değerli bilgiler içermesidir. Yarı denetimli öğrenme modelleri bu bilgileri kullanarak, yalnızca sınırlı etiketli veriler üzerinde eğitilen modellere kıyasla genellikle daha iyi doğruluk ve genelleme elde edebilir.
Yarı denetimli öğrenme şemsiyesi altında çeşitli teknikler yer almaktadır:
- Sözde Etiketleme: Bu yöntem, etiketli veriler üzerinde bir modelin eğitilmesini ve daha sonra etiketsiz veriler için etiketleri tahmin etmek için kullanılmasını içerir. Bu tahmin edilen etiketler veya "sözde etiketler" daha sonra gerçek etiketlermiş gibi ele alınır ve genellikle yinelemeli olarak modeli yeniden eğitmek için kullanılır.
- Tutarlılık Düzenlemesi: Bu yaklaşım, modelin etiketlenmemiş veri noktaları hafifçe bozulduğunda veya artırıldığında bile benzer tahminler üretmesini teşvik eder. Veri büyütme gibi teknikler genellikle bu pertürbasyonları oluşturmak için kullanılır.
- Grafik Tabanlı Yöntemler: Bu yöntemler veri noktalarını, kenarların benzer noktaları birbirine bağladığı bir grafikteki düğümler olarak temsil eder. Etiketler daha sonra grafik yapısına dayalı olarak etiketli düğümlerden etiketsiz düğümlere yayılır.
- Kendi Kendine Eğitim: Sözde etiketlemeye benzer şekilde, kendi kendine eğitim, etiketlenmemiş verilere yüksek güvenirlikli tahminler ekleyerek etiketli veri kümesini yinelemeli olarak genişletir.
Yarı Denetimli Öğrenme Uygulamaları
Yarı denetimli öğrenme, özellikle etiketli verilerin sınırlı olduğu çeşitli alanlarda değerlidir:
- Tıbbi Görüntü Analizi: Tıbbi görüntü analizinde, tümör tespiti veya hastalık sınıflandırması gibi görevler için etiketli tıbbi görüntülerin elde edilmesi genellikle uzman radyologlar gerektirir, bu da pahalı ve zaman alıcıdır. Yarı denetimli öğrenme, daha küçük bir etiketli görüntü kümesi ile daha büyük bir etiketsiz tarama havuzu kullanarak doğru modellerin eğitilmesine yardımcı olabilir. Örneğin, nesne tespiti için Ultralytics YOLO adresini kullanan beyin tümörü tespitinde, yarı denetimli teknikler sınırlı etiketli MRI verileriyle model performansını artırabilir.
- Doğal Dil İşleme (NLP): Duygu analizi veya adlandırılmış varlık tanıma (NER) gibi görevler genellikle yarı denetimli öğrenmeden faydalanır. Büyük miktarlarda metin verisi kolayca elde edilebilir, ancak belirli NLP görevleri için metni etiketlemek zahmetli olabilir. Yarı denetimli yöntemler, dil nüanslarının ve bağlamın model anlayışını geliştirmek için etiketlenmemiş metinden yararlanabilir.
- Konuşma Tanıma: NLP'ye benzer şekilde, konuşma tanıma sistemleri büyük miktarda etiketlenmemiş ses verisinden faydalanabilir. Yarı denetimli öğrenme, sınırlı etiketli konuşma verileriyle bile iyi genelleme yapan sağlam modeller oluşturmaya yardımcı olur.
- Görüntü Sınıflandırma ve Nesne Algılama: Görüntü sınıflandırma ve nesne algılama gibi bilgisayarla görme görevlerinde, yarı denetimli öğrenme aşağıdaki gibi modellerin performansını artırmak için kullanılabilir Ultralytics YOLOv8 Görüntülerin yalnızca bir kısmının sınırlayıcı kutular veya etiketlerle açıklandığı veri kümeleri üzerinde eğitildiğinde. Ultralytics HUB, veri kümelerini yönetmek ve modelleri eğitmek için kullanılabilir ve sınırlı etiketli verilerle eğitimi optimize etmek için yarı denetimli öğrenme entegre edilebilir.
Yarı Gözetimli Öğrenmenin Avantajları
- Geliştirilmiş Doğruluk: Etiketsiz veriler kullanılarak, yarı denetimli öğrenme, sınırlı etiketli verilerle denetimli öğrenmeye kıyasla genellikle daha yüksek doğruluğa sahip modellere yol açabilir.
- Azaltılmış Etiketleme Maliyetleri: Kapsamlı manuel veri etiketleme ihtiyacını önemli ölçüde azaltarak zaman ve kaynak tasarrufu sağlar.
- Daha İyi Genelleme: Hem etiketli hem de etiketsiz verilerle eğitim, modellerin daha sağlam ve genelleştirilebilir temsiller öğrenmesine yardımcı olarak görünmeyen veriler üzerinde daha iyi performans elde edilmesini sağlayabilir.
Yarı Denetimli Öğrenme, özellikle etiketli verilerin darboğaz oluşturduğu senaryolarda makine öğrenimine güçlü bir yaklaşım sunar. Mevcut etiketsiz verilerin zenginliğinden etkin bir şekilde yararlanarak, çok çeşitli uygulamalarda daha doğru ve verimli yapay zeka sistemlerinin geliştirilmesini sağlar.
