ایکٹو لرننگ

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

زیادہ تر زیر نگرانی سیکھنے کا فرض ہے کہ آپ کے پاس پہلے سے ہی لیبل والے ڈیٹا کا ایک بڑا ڈھیر ہے۔ فعال سیکھنے سے یہ پلٹ جاتا ہے کہ: آپ ایک چھوٹے لیبل والے سیٹ اور بغیر لیبل والے مثالوں کے ایک بڑے تالاب سے شروع کرتے ہیں، پھر بار بار کسی انسان ('اوریکل') سے صرف سب سے زیادہ معلوماتی لیبل لگانے کو کہتے ہیں۔ ماڈل کو تربیت دی جاتی ہے، اسے بغیر لیبل والے پول کو اسکور کرنے کے لیے استعمال کیا جاتا ہے، اور سب سے زیادہ قیمت والی مثالیں لیبلنگ کے لیے بھیجی جاتی ہیں — پھر لوپ دہرایا جاتا ہے۔ عام انتخاب کی حکمت عملیوں میں غیر یقینی صورتحال کے نمونے لینے (ان مثالوں کا انتخاب کریں جن کے بارے میں ماڈل کو کم سے کم اعتماد ہو)، کمیٹی کے ذریعہ استفسار (وہ جگہ منتخب کریں جہاں ایک جوڑا متفق نہ ہو) اور تنوع کے نمونے لینے (ڈیٹا کے مختلف علاقوں کا احاطہ کریں)۔ اچھی طرح سے، فعال سیکھنے بہت کم لیبلز کا استعمال کرتے ہوئے مکمل ڈیٹا سیٹ کی درستگی سے مماثل ہے، یہی وجہ ہے کہ یہ میڈیکل امیجنگ، NLP، اور کسی بھی ڈومین میں مقبول ہے جہاں ماہر تشریح سست یا مہنگا ہے۔