ต่อไปคำแนะนำต่อไป
พีชคณิตเชิงเส้นสำหรับการเรียนรู้ของเครื่อง
ความรู้พื้นฐาน
คู่มือพื้นฐาน
การเรียนรู้เชิงรุกเป็นกลยุทธ์การฝึกอบรมที่ตัวแบบเลือกเองว่าตัวอย่างที่ไม่มีป้ายกำกับใดที่มนุษย์ควรติดป้ายกำกับถัดไป
ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min
It matters because labeling data is expensive, and smart selection can reach high accuracy with a fraction of the annotations.
การเรียนรู้แบบมีผู้สอนส่วนใหญ่จะถือว่าคุณมีข้อมูลที่มีป้ายกำกับจำนวนมากอยู่แล้ว การเรียนรู้เชิงรุกพลิกกลับ: คุณเริ่มต้นด้วยชุดที่มีป้ายกำกับเล็กๆ และกลุ่มตัวอย่างที่ไม่มีป้ายกำกับจำนวนมาก จากนั้นขอให้มนุษย์ ('พยากรณ์') ซ้ำๆ ให้ติดป้ายกำกับเฉพาะตัวอย่างที่ให้ข้อมูลมากที่สุดเท่านั้น แบบจำลองได้รับการฝึกฝน ใช้เพื่อให้คะแนนพูลที่ไม่มีป้ายกำกับ และส่งตัวอย่างที่มีมูลค่าสูงสุดไปติดป้ายกำกับ จากนั้นจึงวนซ้ำ กลยุทธ์การคัดเลือกทั่วไป ได้แก่ การสุ่มตัวอย่างความไม่แน่นอน (เลือกตัวอย่างที่แบบจำลองมีความมั่นใจน้อยที่สุด) การสืบค้นโดยคณะกรรมการ (เลือกจุดที่กลุ่มไม่เห็นด้วย) และการสุ่มตัวอย่างความหลากหลาย (ครอบคลุมภูมิภาคต่างๆ ของข้อมูล) เมื่อทำได้ดี การเรียนรู้เชิงรุกสามารถจับคู่ความแม่นยำของชุดข้อมูลทั้งหมดโดยใช้ฉลากน้อยกว่ามาก ซึ่งเป็นเหตุผลว่าทำไมจึงได้รับความนิยมในการถ่ายภาพทางการแพทย์, NLP และโดเมนอื่นๆ ที่คำอธิบายประกอบของผู้เชี่ยวชาญช้าหรือมีค่าใช้จ่ายสูง
ทีมรังสีวิทยาฝึกเครื่องตรวจจับเนื้องอกโดยให้แบบจำลองทำเครื่องหมายการสแกนที่คลุมเครือที่สุดเพื่อให้นักรังสีวิทยาผู้เชี่ยวชาญติดป้ายกำกับ ช่วยลดชั่วโมงคำอธิบายประกอบได้อย่างมาก
สแปมหรือระบบกลั่นกรองเนื้อหาจะแสดงข้อความที่เสี่ยงต่อการตรวจสอบที่เป็นมนุษย์ ซึ่งจะมีการปรับปรุงได้เร็วที่สุดในกรณีขอบแข็ง
บริษัทจดจำเสียงจะเลือกคลิปเสียงที่มีความไม่แน่นอนมากที่สุด (สำเนียง เสียง) เพื่อส่งไปถอดเสียง แทนที่จะติดป้ายกำกับคลิปแบบสุ่ม
แค็ตตาล็อกอีคอมเมิร์ซใช้การสอบถามโดยคณะกรรมการเพื่อเลือกรูปภาพผลิตภัณฑ์ที่ตัวแยกประเภทหลายรายไม่เห็นด้วย โดยจัดลำดับความสำคัญสำหรับการติดป้ายกำกับหมวดหมู่ด้วยตนเอง
การเรียนรู้แบบลงมือปฏิบัติถูกจับคู่กันมากขึ้นกับโมเดลที่ได้รับการฝึกฝนและพื้นฐานขนาดใหญ่ โดยที่เป้าหมายเปลี่ยนจากการติดป้ายกำกับทุกอย่างไปเป็นการปรับแต่งตัวอย่างที่มีมูลค่าสูงเพียงไม่กี่ตัวอย่างในราคาถูก คาดหวังการผสานรวมที่เข้มงวดยิ่งขึ้นกับการควบคุมดูแลที่อ่อนแอ การฝึกล่วงหน้าแบบมีการควบคุมดูแลด้วยตนเอง และเครื่องมือแบบมนุษย์ในวงที่แนะนำป้ายกำกับให้ผู้ตรวจสอบยืนยันแทนที่จะสร้าง เนื่องจากต้นทุนการติดฉลากมีอิทธิพลต่อการใช้งานจริงจำนวนมาก การเลือกอัตโนมัติและอินเทอร์เฟซคำอธิบายประกอบที่มีประสิทธิภาพจะยังคงเป็นศูนย์กลางในการสร้างโมเดลในโดเมนเฉพาะทางที่ขาดแคลนข้อมูล เช่น การแพทย์และกฎหมาย
จดหมายข่าวฟรี
เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา
อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ
ทดสอบตัวเอง
ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร
สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค
การเรียนรู้เชิงรุกเป็นกลยุทธ์การฝึกอบรมที่ตัวแบบเลือกเองว่าตัวอย่างที่ไม่มีป้ายกำกับใดที่มนุษย์ควรติดป้ายกำกับถัดไป เป็นเรื่องสำคัญเนื่องจากข้อมูลการติดฉลากมีราคาแพง และการเลือกอันชาญฉลาดสามารถบรรลุความแม่นยำสูงโดยใช้คำอธิบายประกอบเพียงเล็กน้อย
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.
เรียนรู้ต่อไป
คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้
ต่อไปคำแนะนำต่อไป
พีชคณิตเชิงเส้นสำหรับการเรียนรู้ของเครื่อง
ความรู้พื้นฐาน