Active Learning та активне навчання

🎓 Query Strategies

Uncertainty Sampling

Entropy: Вибирає приклади з найвищою entropy.

Least Confident: Вибирає найменш впевнені.

Margin: Вибирає з найменшою різницею між топ-2 класами.

Diversity Sampling

Representative: Вибирає представницькі приклади.

Clustering: Вибирає з різних кластерів.

Мета: Покриття простору даних.

Hybrid Approaches

Концепція: Комбінація uncertainty та diversity.

Переваги: Баланс між exploration та exploitation.

Методи: Weighted combination, adaptive.

🔧 Реалізація

Pool-based

Концепція: Великий pool неlabelованих даних.

Процес: Вибрати найкорисніші, label, навчити.

Застосування: Найпоширеніший сценарій.

Stream-based

Концепція: Дані надходять потоком.

Процес: Прийняти рішення для кожного прикладу.

Застосування: Real-time дані.

Membership Query Synthesis

Концепція: Генерує нові приклади для labeling.

Застосування: Коли можна генерувати дані.

📚 Практичні приклади

Приклад 1: Active Learning з Uncertainty Sampling

Початок: Почати з малого labeled set.

Uncertainty: Обчислити uncertainty для неlabelованих.

Selection: Вибрати найневизначеніші.

Labeling: Отримати labels, навчити модель.

Повторення: Повторити до досягнення мети.

Приклад 2: Hybrid Approach

Uncertainty: Обчислити uncertainty scores.

Diversity: Обчислити diversity scores.

Combination: Комбінувати для вибору.

Selection: Вибрати найкращі приклади.

© 2025 Науковий Симулятор. Всі права захищені.

Active Learning: ефективне навчання

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.