Active Learning та активне навчання

🎓 Query Strategies

Uncertainty Sampling

Концепція: Вибирає приклади з найвищою невизначеністю (найближчі до decision boundary).

Метрики: Entropy, least confident, margin sampling.

Переваги: Простий, ефективний, швидко покращує модель.

Недоліки: Може фокусуватися на outliers, ігнорує diversity.

Diversity Sampling

Концепція: Вибирає різноманітні приклади для покриття простору.

Методи: Query-by-Diversity, Cluster-based, Core-set selection.

Переваги: Покриває простір, уникнення redundancy.

Недоліки: Може вибирати легкі приклади.

Hybrid Strategies

Концепція: Комбінує uncertainty та diversity. Баланс між ними.

Методи: Uncertainty + Diversity, Expected Model Change.

Переваги: Комбінує переваги обох, часто краще за окремі.

📚 Практичні приклади

Приклад 1: Uncertainty Sampling для класифікації

Початок: Почати з малого labeled set (random).

Навчання: Навчити модель на labeled.

Query: Обчислити entropy для unlabeled. Вибрати найвищі.

Label: Отримати labels для вибраних. Повторити.

Приклад 2: Hybrid Strategy (Uncertainty + Diversity)

Uncertainty: Обчислити uncertainty для unlabeled.

Diversity: Вибрати різноманітні з високою uncertainty.

Query: Вибрати batch з балансом uncertainty та diversity.

Оцінка: Відстежувати learning curve, порівняти з baseline.

© 2025 Науковий Симулятор. Всі права захищені.

Active Learning: ефективне навчання з мінімальними labels

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте Dimensionality Reduction: PCA, t-SNE & UMAP і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.