Machine learningMachine learning

Ενεργή Μάθηση με Γκαουσιανά Μοντέλα Μιγαδοειδών

Το Active Learning Gaussian Mixture Model συνδυάζει μια επαναληπτική στρατηγική ερωτήσεων με έναν εκπαιδευτή Γκαουσιανών Μοντέλων Μιγαδοειδών (Gaussian Mixture Model - GMM). Ο αλγόριθμος επιλέγει τα πιο πληροφοριακά μη επισημασμένα σημεία — τυπικά αυτά με την υψηλότερη προβλεπτική αβεβαιότητα — τα παρουσιάζει σε έναν οραματιστή για επισήμανση και επαναπροσαρμόζει το GMM χρησιμοποιώντας τον αλγόριθμο EM (Expectation-Maximization) στο αυξανόμενο επισημασμένο σύνολο. Το αποτέλεσμα είναι ένα μοντέλο πυκνότητας που επιτυγχάνει ποιότητα αντίστοιχη με πλήρη δεδομένα, απαιτώντας όμως πολύ λιγότερα επισημασμένα παραδείγματα.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

The neighbourhood of related methods — select a node to explore.

Πηγές

  1. Zhu, X., Ghahramani, Z., & Lafferty, J. (2003). Semi-supervised learning using Gaussian fields and harmonic functions. Proceedings of the 20th International Conference on Machine Learning (ICML), 912–919. link
  2. Settles, B. (2012). Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning, 6(1), 1–114. Morgan & Claypool Publishers. DOI: 10.2200/S00429ED1V01Y201207AIM018

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 3). Active Learning with Gaussian Mixture Model. ScholarGate. https://scholargate.app/el/machine-learning/active-learning-gaussian-mixture-model

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.

Compare side by side
ScholarGateActive learning Gaussian mixture model (Active Learning with Gaussian Mixture Model). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/machine-learning/active-learning-gaussian-mixture-model · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026