Online aktivní učení
Online aktivní učení kombinuje dvě komplementární paradigmata: zpracovává data jako proud (online učení) a selektivně vyžaduje štítky pouze pro nejinformativnější instance (aktivní učení). Výsledkem je model, který se průběžně adaptuje na nová data a zároveň udržuje nízké náklady na štítkování – užitečné vždy, když jsou štítkovaná data drahá a příklady přicházejí sekvenčně, nikoli všechny najednou.
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
- Cesa-Bianchi, N., Gentile, C., & Zaniboni, L. (2006). Worst-case analysis of selective sampling for linear classification. Journal of Machine Learning Research, 7, 1205–1230. link ↗
- Sculley, D. (2007). Online active learning methods for fast label-efficient spam filtering. Proceedings of the Fourth Conference on Email and Anti-Spam (CEAS 2007). link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Online Active Learning (Streaming Active Learning). ScholarGate. https://scholargate.app/cs/machine-learning/online-active-learning
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
- Učení s malým počtem příkladůStrojové učení↔ compare
- Online LearningStrojové učení↔ compare
- Online Logistic RegressionStrojové učení↔ compare
- Online Random ForestStrojové učení↔ compare
- Semisupervisední učeníStrojové učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →