การเรียนรู้เมื่อข้อมูลไม่เพียงพอ ตอนที่ 2: การเรียนรู้เชิงรุก
หัวข้อต้นฉบับ:Learning with not Enough Data Part 2: Active Learning
สรุปโดย AI
ประสิทธิภาพของงานเรียนรู้แบบมีผู้สอนขึ้นอยู่กับข้อมูลติดป้ายคุณภาพสูง แต่การได้มาซึ่งตัวอย่างติดป้ายจำนวนมากมีต้นทุนสูง การเรียนรู้เชิงรุกเป็นแนวทางรับมือกับข้อมูลติดป้ายไม่เพียงพอในเงื่อนไขที่งบประมาณติดป้ายจำกัดแต่ยังลงทุนแรงงานติดป้ายได้บางส่วน แนวคิดหลักคือเลือกตัวอย่างที่มีข้อมูลมากที่สุดอย่างชาญฉลาดเพื่อติดป้าย เพื่อเพิ่มประสิทธิภาพของโมเดลให้สูงสุดภายในงบประมาณจำกัด วิธีนี้มุ่งแก้ปัญหาการใช้ทรัพยากรติดป้ายอย่างมีประสิทธิภาพผ่านการสุ่มตัวอย่างเชิงกลยุทธ์เมื่อข้อมูลติดป้ายมีจำกัด
สรุปสั้น
- เวลาเผยแพร่
- เวลาอัปเดต
- แหล่งที่มา
- Lilian Weng:Lil'Log(RSS)
- หมวดหมู่
- บทแนะนำและเทคนิค
- คะแนน AI
- 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。
แหล่งที่มาและลิขสิทธิ์
บทความนี้เรียบเรียงจากพาดหัวคัดสรรและบทสรุป AI จาก API สาธารณะของ AIHOT โดยระบุแหล่งที่มาและลิงก์กลับแล้ว ลิขสิทธิ์ต้นฉบับเป็นของสื่อและผู้เขียนต้นทาง เว็บไซต์นี้ไม่ได้สะท้อนเนื้อหาฉบับเต็ม
วิธีอ้างอิง
เมื่ออ้างอิงบทความนี้ โปรดระบุชื่อเรื่อง วันที่ และลิงก์ถาวร พร้อมระบุแหล่งที่มาเป็น Orange News
Orange News: การเรียนรู้เมื่อข้อมูลไม่เพียงพอ ตอนที่ 2: การเรียนรู้เชิงรุก 20 กุมภาพันธ์ 2022 https://new.nat6.net/th/news/cmpc7e3b8007cslmqz6jyih7u/