সক্রিয় শিক্ষা

It matters because labeling data is expensive, and smart selection can reach high accuracy with a fraction of the annotations.

সর্বাধিক তত্ত্বাবধান করা শিক্ষা ধরে নেয় যে আপনার কাছে ইতিমধ্যেই লেবেলযুক্ত ডেটার একটি বড় স্তূপ রয়েছে। অ্যাক্টিভ লার্নিং ফ্লিপ করে যে: আপনি একটি ছোট লেবেলযুক্ত সেট এবং লেবেলবিহীন উদাহরণের একটি বড় পুল দিয়ে শুরু করুন, তারপরে বারবার একজন মানুষকে ('ওরাকল') শুধুমাত্র সবচেয়ে তথ্যপূর্ণকে লেবেল করতে বলুন। মডেলটি প্রশিক্ষিত, লেবেলবিহীন পুল স্কোর করতে ব্যবহৃত হয় এবং সর্বোচ্চ-মূল্যের উদাহরণগুলি লেবেলিংয়ের জন্য পাঠানো হয় — তারপর লুপ পুনরাবৃত্তি হয়। সাধারণ নির্বাচন কৌশলগুলির মধ্যে রয়েছে অনিশ্চয়তার নমুনা (উদাহরণগুলি বেছে নিন যেগুলি সম্পর্কে মডেলটি সবচেয়ে কম আত্মবিশ্বাসী), ক্যোয়ারী-বাই-কমিটি (যেখানে একটি দল একমত নয় সেটি বেছে নিন), এবং বৈচিত্র্যের নমুনা (ডেটার বিভিন্ন অঞ্চল কভার করুন)। ভালভাবে সম্পন্ন হয়েছে, সক্রিয় লার্নিং অনেক কম লেবেল ব্যবহার করে সম্পূর্ণ-ডেটাসেটের নির্ভুলতার সাথে মেলে, এই কারণেই এটি মেডিকেল ইমেজিং, এনএলপি এবং যেকোনো ডোমেনে জনপ্রিয় যেখানে বিশেষজ্ঞের টীকা ধীর বা ব্যয়বহুল।