Aktivní učení s Gaussovským procesem
Aktivní učení s Gaussovským procesem (GP-AL) kombinuje pravděpodobnostní model Gaussovského procesu se strategií výběru dotazů pro aktivní učení, přičemž využívá posteriorní nejistotu GP k výběru nejinformativnějších neoznačených příkladů k označení. Tento iterativní přístup minimalizuje námahu při označování a zároveň maximalizuje prediktivní přesnost, což jej činí ideálním v případech, kdy jsou označená data vzácná nebo drahá na získání.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- MacKay, D. J. C. (1992). Information-based objective functions for active data selection. Neural Computation, 4(4), 590–604. DOI: 10.1162/neco.1992.4.4.590 ↗
- Settles, B. (2012). Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning. Morgan & Claypool. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Active Learning with Gaussian Process (GP-AL). ScholarGate. https://scholargate.app/cs/machine-learning/active-learning-gaussian-process
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Aktivní učeníStrojové učení↔ compare
- Bayesovský Gaussovský procesStrojové učení↔ compare
- Gaussovský procesStrojové učení↔ compare
- Poloučený Gaussovský procesStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →