Aprendizaje con datos insuficientes, parte 2: aprendizaje activo
Título original:Learning with not Enough Data Part 2: Active Learning
Resumen de IA
El rendimiento de las tareas de aprendizaje supervisado depende de datos etiquetados de alta calidad, pero obtener una gran cantidad de muestras etiquetadas es costoso. El aprendizaje activo es un paradigma que aborda la insuficiencia de datos etiquetados cuando el presupuesto de etiquetado es limitado pero se puede invertir parte del esfuerzo humano en etiquetar. Su idea central es seleccionar de forma inteligente las muestras más informativas para etiquetar, maximizando así la mejora del rendimiento del modelo dentro de un presupuesto limitado. El método busca resolver cómo aprovechar eficientemente los recursos de etiquetado mediante un muestreo estratégico cuando los datos etiquetados son limitados.
Puntos clave
- El rendimiento de las tareas de aprendizaje supervisado depende de datos etiquetados de alta…
- El aprendizaje activo es un paradigma que aborda la insuficiencia de datos etiquetados cuando el…
- Su idea central es seleccionar de forma inteligente las muestras más informativas para…
- El método busca resolver cómo aprovechar eficientemente los recursos de etiquetado mediante un…
Resumen rápido
- Publicado
- Actualizado
- Fuente
- Lilian Weng:Lil'Log(RSS)
- Categoría
- Tutoriales y consejos
- Puntuación IA
- 57
这是 Lilian Weng 数据不足系列的第二篇,把主动学习的核心采样策略和实际权衡讲得很清楚,做数据标注和 ML 工程的同学值得复习一遍。
Fuente y derechos
Este artículo se basa en títulos seleccionados y resúmenes de IA de la API pública de AIHOT, con atribución y enlaces de vuelta. Los derechos del original pertenecen a los medios y autores originales; este sitio no reproduce textos completos.
Cómo citar
Al citar este artículo, conserva el título, la fecha y el enlace permanente, e indica que la fuente es Orange News.
Orange News: Aprendizaje con datos insuficientes, parte 2: aprendizaje activo. 20. febrero 2022. https://new.nat6.net/es/news/cmpc7e3b8007cslmqz6jyih7u/