Aktivno učenje Gaussovih smjesa
Aktivno učenje Gaussovih smjesa (Active Learning Gaussian Mixture Model) kombinira strategiju iterativnog upita s modelom Gaussovih smjesa. Algoritam odabire najinformativnije neoznačene točke — obično one s najvećom prediktivnom nesigurnošću — predaje ih na označavanje oralnom izvjestitelju (oracle) i ponovno prilagođava GMM koristeći EM na rastućem označenom skupu. Rezultat je model gustoće koji postiže kvalitetu punih podataka uz zahtijevanje znatno manje označenih primjera.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Active Learning with Gaussian Mixture Model. ScholarGate. https://scholargate.app/hr/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.
- Aktivno učenje Gaussovog procesaStrojno učenje↔ compare
- Bayesov model Gaussovih smjesaStrojno učenje↔ compare
- Poluvodeni Gaussov model smjeseStrojno učenje↔ compare
- Polunadzorirano učenjeStrojno učenje↔ compare
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →