Qu'est-ce que l'apprentissage semi-supervisé et l'auto-formation?

L'apprentissage semi-supervisé est une approche en apprentissage automatique qui utilise à la fois des données étiquetées et non étiquetées pour entraîner le modèle. En général, il y a peu de données étiquetées et beaucoup de données non étiquetées, et les méthodes semi-supervisées aident à améliorer la qualité du modèle en utilisant des informations supplémentaires provenant des données non étiquetées.

L'auto-formation est l'une des méthodes de l'apprentissage semi-supervisé. L'idée est que le modèle s'entraîne d'abord sur des données étiquetées, puis prédit des étiquettes pour les données non étiquetées, sélectionne les prédictions les plus confiantes et les ajoute à l'ensemble d'entraînement pour un nouvel entraînement. Ce processus peut être répété plusieurs fois, élargissant progressivement l'ensemble d'entraînement.

Exemple d'auto-formation:

# Pseudocode
model.train(données_étiquetées)
for itération in range(N):
    pseudo_étiquettes = model.predict(données_non_étiquetées)
    échantillons_confiants = select_confident(pseudo_étiquettes)
    données_étiquetées += échantillons_confiants
    données_non_étiquetées -= échantillons_confiants
    model.train(données_étiquetées)

Ainsi, l'auto-formation aide à utiliser des données non étiquetées pour améliorer la qualité du modèle avec un nombre limité d'exemples étiquetés.