LegközelebbKövetkező útmutató
Lineáris algebrát a gépi tanuláshoz
Alapok
Alapok ÚTMUTATÓ
Az aktív tanulás egy olyan képzési stratégia, ahol a modell maga választja ki, hogy az ember mely címkézetlen példákat jelölje meg legközelebb.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
Ez azért fontos, mert a címkézési adatok drágák, és az intelligens kiválasztás a megjegyzések töredékével nagy pontosságot érhet el.
A legtöbb felügyelt tanulás feltételezi, hogy már van egy nagy halom felcímkézett adat. Az aktív tanulás ezt megfordítja: egy kis címkézett készlettel és egy nagy mennyiségű címkézetlen példával kezdesz, majd ismételten megkérsz egy embert (az „orákulumot”), hogy csak a leginformatívabbakat címkézze meg. A modellt betanítják, a címkézetlen készlet pontozására használják, és a legmagasabb értékű példákat elküldik címkézésre – majd a ciklus megismétlődik. A gyakori kiválasztási stratégiák közé tartozik a bizonytalansági mintavétel (olyan példákat válasszon, amelyekben a modell a legkevésbé biztos), bizottságonkénti lekérdezés (azt válassza ki, ahol az együttes nem ért egyet), és a diverzitási mintavétel (az adatok különböző régióira terjed ki). Ha jól végezzük, az aktív tanulás a teljes adathalmaz pontosságát sokkal kevesebb címke használatával egyezik meg, ezért népszerű az orvosi képalkotásban, az NLP-ben és minden olyan területen, ahol a szakértői megjegyzések lassú vagy költségesek.
Egy radiológiai csapat úgy képezi ki a tumordetektort, hogy a modell megjelöli a legkétértelműbb szkenneléseket a szakértő radiológusok számára, hogy megjelöljék, így drámaian lerövidítik az annotálási órákat.
A spam vagy tartalom-moderáló rendszer olyan határüzeneteket jelenít meg, amelyekben a legkevésbé biztos az emberi felülvizsgálók számára, és a leggyorsabban a kemény szélű eseteken fejlődik.
A beszédfelismerő cég olyan hangklipeket választ ki, ahol a modell a legbizonytalanabb (ékezetek, zaj), hogy elküldje átírásra, ahelyett, hogy véletlenszerű klipeket címkézne fel.
Az e-kereskedelmi katalógusok bizottságonkénti lekérdezések segítségével választják ki azokat a termékképeket, amelyeknél több osztályozó nem ért egyet, és előnyben részesíti azokat a kézi kategóriacímkézés során.
Az aktív tanulást egyre gyakrabban párosítják nagyméretű előképzett és alapozó modellekkel, ahol a cél a minden címkézése helyett az olcsó finomhangolás felé tolódik el néhány nagy értékű példán. Szorosabb integrációra számíthat gyenge felügyelettel, önfelügyelt előképzéssel és humán-in-the-loop eszközökkel, amelyek címkéket javasolnak a lektoroknak, hogy megerősítsék, semmint létrehozzák. Mivel a címkézési költségek dominálnak sok valós telepítésnél, az automatizált kiválasztás és a hatékony annotációs interfészek továbbra is központi szerepet töltenek be a modellek felépítésében olyan speciális, adathiányos területeken, mint az orvostudomány és a jog.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
Az aktív tanulás egy olyan képzési stratégia, ahol a modell maga választja ki, hogy az ember mely címkézetlen példákat jelölje meg legközelebb. Ez azért fontos, mert a címkézési adatok drágák, és az intelligens kiválasztás a megjegyzések töredékével nagy pontosságot érhet el.
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.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Lineáris algebrát a gépi tanuláshoz
Alapok