Firma musi wytrenować model do klasyfikacji obrazów różnych gatunków zwierząt. Posiada już duży zbiór oznaczonych obrazów i nie będzie oznaczać dodatkowych danych. Jakie podejście do uczenia powinna zastosować firma?

Uczenie nadzorowane jest prawidłową odpowiedzią, ponieważ firma posiada duży zbiór oznaczonych obrazów, co jest kluczowym wymogiem dla tego podejścia. W uczeniu nadzorowanym model uczy się mapować dane wejściowe (obrazy zwierząt) na dane wyjściowe (gatunki zwierząt) na podstawie par wejście-wyjście zawartych w zbiorze treningowym. Ponieważ firma nie będzie oznaczać dodatkowych danych, oznacza to, że ma już wystarczającą ilość etykiet do trenowania modelu klasyfikacji. Uczenie nienadzorowane jest nieprawidłowe, ponieważ jest używane, gdy dane nie są oznaczone, a celem jest znalezienie ukrytych wzorców lub struktur w danych, a nie klasyfikacja na podstawie znanych kategorii. Uczenie ze wzmocnieniem jest nieprawidłowe, ponieważ jest stosowane w scenariuszach, gdzie agent uczy się poprzez interakcję ze środowiskiem i otrzymywanie nagród lub kar, co nie pasuje do zadania klasyfikacji obrazów. Uczenie aktywne jest nieprawidłowe, ponieważ polega na tym, że algorytm aktywnie wybiera dane do oznaczenia, aby zoptymalizować proces uczenia, co jest sprzeczne z informacją, że firma nie będzie oznaczać dodatkowych danych.