מודל גאוסיאני מעורב בלמידה פעילה
מודל גאוסיאני מעורב בלמידה פעילה משלב אסטרטגיית שאילתה איטרטיבית עם לומד מודל גאוסיאני מעורב. האלגוריתם בוחר את הנקודות הלא מתויגות האינפורמטיביות ביותר — בדרך כלל אלו עם אי-ודאות חיזוי הגבוהה ביותר — מציג אותן לאורקל לצורך תיוג, ומתאים מחדש את ה-GMM באמצעות EM על קבוצת הנתונים המתויגים הגדלה. התוצאה היא מודל צפיפות התואם לאיכות נתונים מלאה תוך דרישה למעט דוגמאות מתויגות.
קראו את השיטה במלואה
התחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- 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 ↗
- Settles, B. (2012). Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning, 6(1), 1–114. Morgan & Claypool Publishers. DOI: 10.2200/S00429ED1V01Y201207AIM018 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 3). Active Learning with Gaussian Mixture Model. ScholarGate. https://scholargate.app/he/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.
- תהליך גאוסיאני של למידה אקטיביתלמידת מכונה↔ compare
- מודל גאוסיאני תערובת בייסיאנילמידת מכונה↔ compare
- מודל גאוסיאני מעורב למחצה מפוקחלמידת מכונה↔ compare
- למידה מונחית-למחצהלמידת מכונה↔ compare