Polopolo-dohledové aktivní učení
Polopolo-dohledové aktivní učení (SSAL) je hybridní učicí paradigma, které kombinuje selektivní dotazovací strategii aktivního učení se schopností polodohledového učení využívat neoznačená data. Model iterativně vybírá nejinformativnější neoznačené instance pro expertní anotaci a zároveň využívá velký soubor neanotovaných vzorků ke zlepšení vlastních reprezentací, čímž dramaticky snižuje náklady na označování při zachování silné prediktivní přesnosti.
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
- Settles, B. (2012). Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning. Morgan & Claypool. DOI: 10.2200/S00429ED1V01Y201207AIM018 ↗
- Zhu, X. (2005). Semi-supervised learning literature survey. Technical Report 1530, Computer Sciences, University of Wisconsin-Madison. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Semi-supervised Active Learning (SSAL). ScholarGate. https://scholargate.app/cs/machine-learning/semi-supervised-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
- Propagace popiskůStrojové učení↔ compare
- Semisupervisední učeníStrojové učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →