DalšíDalší průvodce
Lineární algebra pro strojové učení
Základy
PRŮVODCE Základy
Aktivní učení je tréninková strategie, kde si model sám vybírá, které neoznačené příklady by měl člověk označit jako další.
Poslechněte si tento návodAI-vyprávěný · ~2 min
It matters because labeling data is expensive, and smart selection can reach high accuracy with a fraction of the annotations.
Většina učení pod dohledem předpokládá, že již máte velkou hromadu označených dat. Aktivní učení se obrací takto: začnete s malou označenou sadou a velkým množstvím neoznačených příkladů, pak opakovaně požádáte člověka ('orákula'), aby označil pouze ty nejinformativnější. Model je natrénován, použit k hodnocení neoznačeného fondu a příklady s nejvyšší hodnotou jsou odeslány k označení – poté se smyčka opakuje. Mezi běžné strategie výběru patří vzorkování nejistoty (vyberte příklady, o kterých si model nejméně věří), dotazování po výborech (vyberte, kde soubor nesouhlasí) a vzorkování diverzity (pokrývají různé oblasti dat). Pokud je aktivní učení provedeno dobře, může dosáhnout úplné přesnosti datové sady s použitím mnohem menšího počtu štítků, a proto je populární v lékařském zobrazování, NLP a v jakékoli oblasti, kde je odborná anotace pomalá nebo nákladná.
Radiologický tým trénuje detektor nádorů tím, že model označí nejnejednoznačnější skeny, aby je mohli označit expertní radiologové, čímž se dramaticky zkrátí hodiny anotací.
Spam nebo systém pro moderování obsahu odkrývá hraniční zprávy, u kterých si je nejméně jistý pro lidské recenzenty, a nejrychleji se zlepšuje na tvrdých okrajových případech.
Společnost pro rozpoznávání řeči vybírá zvukové klipy, kde je její model nejistější (akcenty, šum), k odeslání k přepisu, místo aby označoval náhodné klipy.
Katalog elektronického obchodu používá dotaz po výboru k výběru obrázků produktů, u kterých nesouhlasí více klasifikátorů, a upřednostňuje je pro ruční označování kategorií.
Aktivní učení se stále více spojuje s velkými předtrénovanými a základními modely, kde se cíl posouvá od označování všeho k levnému dolaďování na několika příkladech s vysokou hodnotou. Očekávejte těsnější integraci se slabým dohledem, předškolením s vlastním dohledem a nástrojem „člověk ve smyčce“, který recenzentům navrhuje štítky, které mají spíše potvrzovat než vytvářet. Vzhledem k tomu, že náklady na označování dominují mnoha skutečným implementacím, automatizovaný výběr a efektivní anotační rozhraní zůstanou ústředním bodem vytváření modelů ve specializovaných oblastech s nedostatkem dat, jako je medicína a právo.
Newsletter zdarma
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
Aktivní učení je tréninková strategie, kde si model sám vybírá, které neoznačené příklady by měl člověk označit jako další. Je to důležité, protože označování dat je drahé a inteligentní výběr může dosáhnout vysoké přesnosti se zlomkem anotací.
The guide describes querying an oracle for selected informative examples, then using their labels in training.
The oracle provides labels for selected examples; it is commonly a human annotator or expert.
Query-by-committee selects examples on which several models disagree.
A small margin between leading class scores is one uncertainty signal described by the guide.
The guide warns that greedily chasing uncertainty can ignore other parts of the data.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
Lineární algebra pro strojové učení
Základy