Apprentissage Actif par Processus Gaussien
L'apprentissage actif par processus gaussien (GP-AL) combine un modèle probabiliste de processus gaussien avec une stratégie de requête d'apprentissage actif, utilisant l'incertitude postérieure du GP pour sélectionner les exemples non étiquetés les plus informatifs à étiqueter. Cette approche itérative minimise l'effort d'étiquetage tout en maximisant la précision prédictive, la rendant idéale lorsque les données étiquetées sont rares ou coûteuses à obtenir.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Active Learning with Gaussian Process (GP-AL). ScholarGate. https://scholargate.app/fr/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.
- Apprentissage actifApprentissage automatique↔ compare
- Processus Gaussien BayésienApprentissage automatique↔ compare
- Processus GaussienApprentissage automatique↔ compare
- Processus Gaussien semi-superviséApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →