Tiếp theoHướng dẫn tiếp theo
Đại số tuyến tính cho học máy
Nguyên tắc cơ bản
HƯỚNG DẪN cơ bản
Học tập tích cực
Học tập tích cực là một chiến lược đào tạo trong đó mô hình tự chọn những ví dụ chưa được gắn nhãn mà con người sẽ gắn nhãn tiếp theo.
Nghe hướng dẫn nàyAI thuật lại · ~2 min
Trên trang nàyĐọc trong 2 phút
Tổng quan
Điều này quan trọng vì dữ liệu ghi nhãn rất tốn kém và lựa chọn thông minh có thể đạt độ chính xác cao chỉ với một phần chú thích.
Lặn sâu
Hầu hết việc học có giám sát đều giả định rằng bạn đã có một lượng lớn dữ liệu được dán nhãn. Học tập tích cực đảo ngược điều đó: bạn bắt đầu với một tập hợp nhỏ được gắn nhãn và một nhóm lớn các ví dụ chưa được gắn nhãn, sau đó liên tục yêu cầu con người ("nhà tiên tri") chỉ gắn nhãn cho những ví dụ có nhiều thông tin nhất. Mô hình được huấn luyện, sử dụng để chấm điểm nhóm không được gắn nhãn và các mẫu có giá trị cao nhất được gửi để gắn nhãn — sau đó vòng lặp sẽ lặp lại. Các chiến lược lựa chọn phổ biến bao gồm lấy mẫu không chắc chắn (chọn các ví dụ mà mô hình ít tin cậy nhất), truy vấn theo ủy ban (chọn nơi tập hợp không đồng ý) và lấy mẫu đa dạng (bao gồm các vùng khác nhau của dữ liệu). Hoàn thành tốt, học tập tích cực có thể phù hợp với độ chính xác của toàn bộ dữ liệu bằng cách sử dụng ít nhãn hơn nhiều, đó là lý do tại sao nó phổ biến trong hình ảnh y tế, NLP và bất kỳ lĩnh vực nào mà chú thích của chuyên gia chậm hoặc tốn kém.
Triển khai trong thế giới thực
Một nhóm X quang đào tạo máy phát hiện khối u bằng cách gắn cờ mô hình cho các bản quét mơ hồ nhất để các bác sĩ X quang chuyên nghiệp gắn nhãn, cắt giảm đáng kể số giờ chú thích.
Hệ thống kiểm duyệt nội dung hoặc spam sẽ hiển thị các thông báo ở ranh giới mà con người đánh giá ít chắc chắn nhất, cải thiện nhanh nhất trong các trường hợp khó khăn.
Một công ty nhận dạng giọng nói chọn các đoạn âm thanh có mô hình không chắc chắn nhất (giọng, tiếng ồn) để gửi đi phiên âm, thay vì dán nhãn các đoạn âm thanh ngẫu nhiên.
Danh mục thương mại điện tử sử dụng truy vấn theo ủy ban để chọn hình ảnh sản phẩm trong đó nhiều bộ phân loại không đồng ý, ưu tiên chúng để ghi nhãn danh mục thủ công.
Tương lai của học tập tích cực
Học tập tích cực ngày càng được kết hợp với các mô hình nền tảng và đào tạo trước lớn, trong đó mục tiêu chuyển từ dán nhãn mọi thứ sang tinh chỉnh một vài ví dụ có giá trị cao với chi phí thấp. Mong đợi sự tích hợp chặt chẽ hơn với khả năng giám sát yếu kém, đào tạo trước tự giám sát và công cụ con người trong vòng lặp gợi ý nhãn để người đánh giá xác nhận thay vì tạo ra. Vì chi phí ghi nhãn chi phối nhiều hoạt động triển khai thực tế nên việc lựa chọn tự động cộng với các giao diện chú thích hiệu quả sẽ vẫn là trọng tâm trong việc xây dựng các mô hình trong các lĩnh vực chuyên biệt, khan hiếm dữ liệu như y học và luật.
Đưa nó vào thực tế
Tại sao nó quan trọng
- Quyết định rõ ràng hơn. Nó giúp bạn tách biệt các tuyên bố kỹ thuật rõ ràng khỏi ngôn ngữ tiếp thị.
- Chi phí và ngân sách. Bạn có thể đặt các câu hỏi triển khai tốt hơn trước khi chi tiền hoặc thời gian.
- Nhóm và quy trình làm việc. Các nhóm có sự hiểu biết chung sẽ đưa ra các quyết định về sản phẩm, chính sách và học tập tốt hơn.
coi chừng
- Các nhóm khác nhau có thể sử dụng cùng một thuật ngữ một cách khác nhau, vì vậy hãy sớm xác định phạm vi.
- Điểm chuẩn có thể trông mạnh mẽ trong khi hiệu suất trong thế giới thực không đồng đều.
- Việc bỏ qua các kế hoạch đánh giá và chất lượng dữ liệu thường tạo ra những kết quả mong manh.
Các bước tiếp theo
- Bắt đầu với một định nghĩa đơn giản về kết quả bạn cần.
- Chọn một số liệu thành công và một điều kiện thất bại trước khi thử nghiệm.
- Chạy một thử nghiệm nhỏ với dữ liệu đại diện chứ không phải một bản demo bóng bẩy.
- Ghi lại những chỗ mà Học tập Tích cực giúp ích và những chỗ mà các phương pháp đơn giản hơn sẽ tốt hơn.
Tiếp tục khám phá
Bản tin miễn phí
Nhận bản tóm tắt AI hàng ngày
Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.
Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.
Tự kiểm tra
Take the Active Learning quiz
Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.
Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp
Câu hỏi thường gặp
Học tập tích cực là gì?
Học tập tích cực là một chiến lược đào tạo trong đó mô hình tự chọn những ví dụ chưa được gắn nhãn mà con người sẽ gắn nhãn tiếp theo. Điều này quan trọng vì dữ liệu ghi nhãn rất tốn kém và lựa chọn thông minh có thể đạt độ chính xác cao chỉ với một phần chú thích.
A team has a large unlabeled pool but limited expert time. What does active learning ask the team to label next?
The guide describes querying an oracle for selected informative examples, then using their labels in training.
In the guide’s active-learning loop, what is the oracle?
The oracle provides labels for selected examples; it is commonly a human annotator or expert.
Two product classifiers disagree strongly on a category. Which strategy would prioritize that example for labeling?
Query-by-committee selects examples on which several models disagree.
A classifier assigns two classes almost equal probabilities for an unlabeled item. Why might uncertainty sampling query it?
A small margin between leading class scores is one uncertainty signal described by the guide.
Why might a batch selector combine diversity with uncertainty?
The guide warns that greedily chasing uncertainty can ignore other parts of the data.
Tiếp tục học hỏi
Hướng dẫn liên quan
Đã chọn thêm hướng dẫn cho chủ đề này