Aktywne uczenie z procesem Gaussa
Aktywne uczenie z procesem Gaussa (GP-AL) łączy probabilistyczny model procesu Gaussa ze strategią wyboru zapytań w aktywnym uczeniu, wykorzystując niepewność posteriorową GP do wyboru najbardziej informatywnych nieoznakowanych przykładów do oznakowania. To iteracyjne podejście minimalizuje wysiłek związany z oznakowaniem, jednocześnie maksymalizując dokładność predykcyjną, co czyni je idealnym rozwiązaniem, gdy oznakowane dane są rzadkie lub kosztowne do uzyskania.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Active Learning with Gaussian Process (GP-AL). ScholarGate. https://scholargate.app/pl/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.
- Aktywna naukaUczenie maszynowe↔ compare
- Bayesowskie procesy GaussaUczenie maszynowe↔ compare
- Proces GaussaUczenie maszynowe↔ compare
- Gaussowski proces półnadzorowanyUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →