Pag-aaral kapag kulang ang data, part 2: active learning
Orihinal na pamagat:Learning with not Enough Data Part 2: Active Learning
AI summary
Nakadepende ang performance ng supervised learning task sa mataas na kalidad na labeled data, ngunit mataas ang gastos sa pagkuha ng maraming labeled sample. Ang active learning ay isang paradigm para harapin ang kakulangan ng labeled data kapag limitado ang annotation budget ngunit may kakayahang maglaan ng bahagi ng manual annotation resource. Ang pangunahing ideya nito ay ang matalinong pagpili ng pinaka-informative na sample para i-annotate, para ma-maximize ang pagbuti ng performance ng modelo sa loob ng limitadong budget. Layunin ng method na ito na lutasin kung paano epektibong gamitin ang annotation resource sa pamamagitan ng strategic sampling kapag limitado ang labeled data.
Mahahalagang impormasyon
- Nakadepende ang performance ng supervised learning task sa mataas na kalidad na labeled…
- Ang active learning ay isang paradigm para harapin ang kakulangan ng labeled data kapag limitado…
- Ang pangunahing ideya nito ay ang matalinong pagpili ng pinaka-informative na sample para…
- Layunin ng method na ito na lutasin kung paano epektibong gamitin ang annotation resource sa…
Mabilisang tingin
- Na-publish noong
- Na-update noong
- Pinagmulan
- Lilian Weng:Lil'Log(RSS)
- Kategorya
- Mga Tutorial at Tip
- AI na marka
- 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。
Pinagmulan at copyright
Ang artikulong ito ay batay sa mga piling pamagat at AI summary mula sa pampublikong API ng AIHOT, may nakasaad na pinagmulan at backlink; ang copyright ng orihinal na teksto ay pag-aari ng orihinal na media at may-akda, hindi namin ginagaya ang buong teksto.
Paano banggitin
Kapag binabanggit ang artikulong ito, panatilihin ang pamagat, petsa at permanenteng link, at banggitin ang Orange News bilang pinagmulan.
Orange News: Pag-aaral kapag kulang ang data, part 2: active learning. 20 Pebrero 2022. https://new.nat6.net/fil/news/cmpc7e3b8007cslmqz6jyih7u/