Cos'è l'apprendimento semi-supervisionato e l'auto-allenamento?

L'apprendimento semi-supervisionato è un approccio nell'apprendimento automatico che utilizza sia dati etichettati che non etichettati per addestrare il modello. Di solito, ci sono pochi dati etichettati e molti non etichettati, e i metodi semi-supervisionati aiutano a migliorare la qualità del modello utilizzando informazioni aggiuntive dai dati non etichettati.

L'auto-allenamento è uno dei metodi dell'apprendimento semi-supervisionato. L'idea è che il modello venga prima addestrato sui dati etichettati, poi predice le etichette per i dati non etichettati, seleziona le predizioni più affidabili e le aggiunge al set di addestramento per un nuovo addestramento. Questo processo può essere ripetuto più volte, ampliando gradualmente il set di addestramento.

Esempio di auto-allenamento:

# Pseudocodice
model.train(dati_etichettati)
for iterazione in range(N):
    pseudo_etichetta = model.predict(dati_non_etichettati)
    campioni_fidati = select_confident(pseudo_etichetta)
    dati_etichettati += campioni_fidati
    dati_non_etichettati -= campioni_fidati
    model.train(dati_etichettati)

In questo modo, l'auto-allenamento aiuta a utilizzare i dati non etichettati per migliorare la qualità del modello con un numero limitato di esempi etichettati.