التاليالدليل التالي
Linear Algebra for Machine Learning
الأساسيات
دليل الأساسيات
التعلم النشط
التعلم النشط هو استراتيجية تدريب حيث يختار النموذج نفسه الأمثلة غير المسماة التي يجب على الإنسان تصنيفها بعد ذلك.
استمع إلى هذا الدليلرواه الذكاء الاصطناعي · ~2 min
في هذه الصفحةقراءة لمدة دقيقتين
نظرة عامة
وهذا مهم لأن تصنيف البيانات باهظ الثمن، ويمكن أن يصل الاختيار الذكي إلى دقة عالية مع جزء صغير من التعليقات التوضيحية.
الغوص العميق
يفترض معظم التعلم الخاضع للإشراف أن لديك بالفعل كومة كبيرة من البيانات المصنفة. يقلب التعلم النشط ما يلي: تبدأ بمجموعة صغيرة مصنفة ومجموعة كبيرة من الأمثلة غير المسماة، ثم تطلب مرارًا وتكرارًا من الإنسان ("الوحي") تسمية الأمثلة الأكثر إفادة فقط. يتم تدريب النموذج واستخدامه لتسجيل المجموعة غير المسماة، ويتم إرسال الأمثلة ذات القيمة الأعلى للتسمية - ثم تتكرر الحلقة. تتضمن استراتيجيات الاختيار الشائعة أخذ عينات من عدم اليقين (اختر أمثلة يكون النموذج أقل ثقة بشأنها)، والاستعلام عن طريق اللجنة (اختر المكان الذي لا توافق فيه المجموعة)، وأخذ العينات المتنوعة (تغطية مناطق متنوعة من البيانات). إذا تم تنفيذه بشكل جيد، يمكن للتعلم النشط أن يضاهي دقة مجموعة البيانات الكاملة باستخدام عدد أقل بكثير من التسميات، ولهذا السبب يحظى بشعبية كبيرة في التصوير الطبي، والبرمجة اللغوية العصبية، وأي مجال يكون فيه شرح الخبراء بطيئًا أو مكلفًا.
التنفيذ في العالم الحقيقي
يقوم فريق الأشعة بتدريب كاشف الأورام من خلال جعل النموذج يشير إلى عمليات الفحص الأكثر غموضًا ليضعها خبراء الأشعة الخبراء، مما يقلل ساعات التعليقات التوضيحية بشكل كبير.
يعرض نظام البريد العشوائي أو نظام الإشراف على المحتوى رسائل حدودية تكون الأقل تأكيدًا بشأنها بالنسبة للمراجعين البشريين، مما يؤدي إلى التحسن بشكل أسرع في الحالات الصعبة.
تقوم إحدى شركات التعرف على الكلام باختيار المقاطع الصوتية التي يكون نموذجها فيها غير مؤكد (اللهجات والضوضاء) لإرسالها للنسخ، بدلاً من تصنيف المقاطع العشوائية.
يستخدم كتالوج التجارة الإلكترونية استعلامًا لكل لجنة لاختيار صور المنتج التي تختلف فيها المصنفات المتعددة، مع إعطاء الأولوية لها لوضع العلامات اليدوية على الفئات.
مستقبل التعلم النشط
يقترن التعلم النشط بشكل متزايد بالنماذج الكبيرة المدربة مسبقًا والأساسية، حيث يتحول الهدف من تصنيف كل شيء إلى الضبط الدقيق لبعض الأمثلة عالية القيمة بتكلفة زهيدة. توقع تكاملًا أكثر إحكامًا مع الإشراف الضعيف، والتدريب المسبق الخاضع للإشراف الذاتي، وأدوات الإنسان في الحلقة التي تقترح تسميات للمراجعين للتأكيد بدلاً من إنشائها. وبما أن تكاليف وضع العلامات تهيمن على العديد من عمليات النشر الحقيقية، فإن الاختيار الآلي بالإضافة إلى واجهات التعليقات التوضيحية الفعالة سيظل عنصرًا أساسيًا في بناء النماذج في المجالات المتخصصة التي تعاني من ندرة البيانات مثل الطب والقانون.
وضعها موضع التنفيذ
لماذا يهم
- قرارات أوضح. يساعدك على فصل المطالبات الفنية الواضحة عن لغة التسويق.
- التكلفة والميزانية. يمكنك طرح أسئلة تنفيذ أفضل قبل إنفاق المال أو الوقت.
- الفريق وسير العمل. تتخذ الفرق ذات الفهم المشترك قرارات أفضل بشأن المنتجات والسياسات والتعلم.
احترس من
- قد تستخدم الفرق المختلفة نفس المصطلح بشكل مختلف، لذا حدد النطاق مبكرًا.
- يمكن أن تبدو المعايير قوية بينما يكون الأداء في العالم الحقيقي غير متساوٍ.
- غالبًا ما يؤدي تجاهل جودة البيانات وخطط التقييم إلى نتائج هشة.
الخطوات التالية
- ابدأ بتعريف لغة واضحة للنتيجة التي تحتاجها.
- اختر مقياس نجاح واحد وحالة فشل واحدة قبل الاختبار.
- قم بتشغيل برنامج تجريبي صغير يحتوي على بيانات تمثيلية، وليس مجموعة تجريبية مصقولة.
- قم بالتوثيق حيث يساعد التعلم النشط وأين تكون الطرق الأبسط أفضل.
استمر في الاستكشاف
رسالة إخبارية مجانية
احصل على الإحاطة اليومية لمنظمة العفو الدولية
ثلاث قصص تم التحقق منها بواسطة الذكاء الاصطناعي كل صباح من أيام الأسبوع، مكتوبة باللغة الإنجليزية البسيطة. مجاني للأبد، بدون إعلانات.
بريد إلكتروني واحد كل يوم من أيام الأسبوع. إلغاء الاشتراك بنقرة واحدة. نحن لا نبيع أو نشارك عنوانك أبدًا.
اختبر نفسك
Take the Active Learning quiz
تعليقات فورية على كل إجابة، وشهادة قابلة للمشاركة مع معرف يمكن التحقق منه بمجرد اجتياز الدورة التدريبية.
دعم تعليم الذكاء الاصطناعي المجاني. AI Understanding هي منظمة 501(c)(3) غير ربحية - لا إعلانات ولا نظام حظر الاشتراك غير المدفوع على الإطلاق. قم بالتبرع
الأسئلة المتداولة
ما هو التعلم النشط؟
التعلم النشط هو استراتيجية تدريب حيث يختار النموذج نفسه الأمثلة غير المسماة التي يجب على الإنسان تصنيفها بعد ذلك. وهذا مهم لأن تصنيف البيانات باهظ الثمن، ويمكن أن يصل الاختيار الذكي إلى دقة عالية مع جزء صغير من التعليقات التوضيحية.
A team has a large unlabeled pool but limited expert time. What does active learning ask the team to label next?
The guide describes querying an oracle for selected informative examples, then using their labels in training.
In the guide’s active-learning loop, what is the oracle?
The oracle provides labels for selected examples; it is commonly a human annotator or expert.
Two product classifiers disagree strongly on a category. Which strategy would prioritize that example for labeling?
Query-by-committee selects examples on which several models disagree.
A classifier assigns two classes almost equal probabilities for an unlabeled item. Why might uncertainty sampling query it?
A small margin between leading class scores is one uncertainty signal described by the guide.
Why might a batch selector combine diversity with uncertainty?
The guide warns that greedily chasing uncertainty can ignore other parts of the data.
استمر في التعلم
أدلة ذات صلة
تم اختيار المزيد من الأدلة لهذا الموضوع