دانلود کتاب Introduction to semi-supervised learning

ترجمه فارسی توضیحات (ترجمه ماشینی)

مقدمه ای بر یادگیری نیمه نظارتی

یادگیری نیمه نظارت شده یک الگوی یادگیری است که به مطالعه چگونگی یادگیری رایانه ها و سیستم های طبیعی مانند انسان در حضور داده های برچسب دار و بدون برچسب می پردازد. به طور سنتی، یادگیری یا در پارادایم بدون نظارت (به عنوان مثال، خوشه‌بندی، تشخیص پرت) که در آن همه داده‌ها بدون برچسب هستند، یا در پارادایم نظارت شده (مانند طبقه‌بندی، رگرسیون) که همه داده‌ها برچسب‌گذاری شده‌اند، مورد مطالعه قرار می‌گیرد. هدف نیمه یادگیری نظارت شده درک این است که چگونه ترکیب داده های برچسب دار و بدون برچسب ممکن است رفتار یادگیری را تغییر دهد و الگوریتم هایی طراحی شود که از چنین ترکیبی استفاده کنند. یادگیری نیمه نظارت شده در یادگیری ماشینی و داده کاوی علاقه زیادی دارد زیرا می تواند از داده های بدون برچسب در دسترس برای بهبود وظایف یادگیری نظارت شده در زمانی که داده های برچسب گذاری شده کمیاب یا گران هستند استفاده کند. یادگیری نیمه نظارتی همچنین پتانسیل را به عنوان یک ابزار کمی برای درک یادگیری مقوله انسانی نشان می دهد، جایی که بیشتر ورودی ها به وضوح بدون برچسب هستند. در این کتاب مقدماتی، چند مدل یادگیری نیمه نظارتی محبوب از جمله خودآموزی، مدل‌های مخلوط، آموزش مشترک و یادگیری چند نمایه، روش‌های مبتنی بر نمودار و ماشین‌های بردار پشتیبانی نیمه‌نظارتی را ارائه می‌کنیم. برای هر مدل، فرمول ریاضی پایه آن را مورد بحث قرار می دهیم. موفقیت یادگیری نیمه نظارت شده به طور اساسی به برخی مفروضات اساسی بستگی دارد. ما بر مفروضات ساخته شده توسط هر مدل تأکید می کنیم و در صورت لزوم مثال های متقابل برای نشان دادن محدودیت های مدل های مختلف ارائه می دهیم. علاوه بر این، ما در مورد یادگیری نیمه نظارتی برای روانشناسی شناختی بحث می کنیم. در نهایت، دیدگاه نظری یادگیری محاسباتی را در مورد یادگیری نیمه نظارتی ارائه می دهیم و کتاب را با بحث مختصری در مورد سؤالات باز در این زمینه به پایان می رسانیم.

Introduction to semi-supervised learning

Semi-supervised learning is a learning paradigm concerned with the study of how computers and natural systems such as humans learn in the presence of both labeled and unlabeled data. Traditionally, learning has been studied either in the unsupervised paradigm (e.g., clustering, outlier detection) where all the data is unlabeled, or in the supervised paradigm (e.g., classification, regression) where all the data is labeled.The goal of semi-supervised learning is to understand how combining labeled and unlabeled data may change the learning behavior, and design algorithms that take advantage of such a combination. Semi-supervised learning is of great interest in machine learning and data mining because it can use readily available unlabeled data to improve supervised learning tasks when the labeled data is scarce or expensive. Semi-supervised learning also shows potential as a quantitative tool to understand human category learning, where most of the input is self-evidently unlabeled. In this introductory book, we present some popular semi-supervised learning models, including self-training, mixture models, co-training and multiview learning, graph-based methods, and semi-supervised support vector machines. For each model, we discuss its basic mathematical formulation. The success of semi-supervised learning depends critically on some underlying assumptions. We emphasize the assumptions made by each model and give counterexamples when appropriate to demonstrate the limitations of the different models. In addition, we discuss semi-supervised learning for cognitive psychology. Finally, we give a computational learning theoretic perspective on semi-supervised learning, and we conclude the book with a brief discussion of open questions in the field.