Aktivno učenje Gaussovog procesa
Aktivno učenje Gaussovog procesa (GP-AL) kombinira probabilistički model Gaussovog procesa sa strategijom odabira upita za aktivno učenje, koristeći posteriornu neizvjesnost GP-a za odabir najinformativnijih neoznačenih primjera za označavanje. Ovaj iterativni pristup minimizira napor označavanja dok maksimizira prediktivnu točnost, što ga čini idealnim kada su označeni podaci oskudni ili skupi za dobivanje.
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
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Active Learning with Gaussian Process (GP-AL). ScholarGate. https://scholargate.app/hr/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.
- Aktivno učenjeStrojno učenje↔ compare
- Bayesovski Gaussov procesStrojno učenje↔ compare
- Gaussovi procesiStrojno učenje↔ compare
- Polu-nadgledani Gaussov procesStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →