Machine learningMachine learning

למידת מעט דוגמאות

למידת מעט דוגמאות (Few-shot learning) היא פרדיגמה בלמידת מכונה המאמנת מודלים לזהות מחלקות חדשות או לפתור משימות חדשות ממספר קטן של דוגמאות מתויגות בלבד — בדרך כלל אחת עד חמש — על ידי מינוף ידע קודם שנרכש מהתפלגות אימון גדולה וקשורה. היא רלוונטית במיוחד בתחומים שבהם תיוג יקר, נדיר, או מוגבל מבנית.

פתיחה ב-MethodMindבקרובוידאובקרובDownload slides

קראו את השיטה במלואה

לחברים בלבד

התחברו עם חשבון חינמי כדי לקרוא חלק זה.

התחברות

Method map

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

+17 more

מקורות

  1. Vinyals, O., Blundell, C., Lillicrap, T., Wierstra, D., & Kavukcuoglu, K. (2016). Matching Networks for One Shot Learning. Advances in Neural Information Processing Systems (NeurIPS), 29. link
  2. Finn, C., Abbeel, P., & Levine, S. (2017). Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks. Proceedings of the 34th International Conference on Machine Learning (ICML), PMLR 70:1126–1135. link

איך לצטט עמוד זה

ScholarGate. (2026, June 3). Few-shot Learning (Meta-learning with Limited Labeled Examples). ScholarGate. https://scholargate.app/he/machine-learning/few-shot-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.

Compare side by side

מאוזכר על ידי

ScholarGateFew-shot Learning (Few-shot Learning (Meta-learning with Limited Labeled Examples)). אוחזר בתאריך 2026-06-15 מתוך https://scholargate.app/he/machine-learning/few-shot-learning · מערך נתונים: https://doi.org/10.5281/zenodo.20539026