Online Active Learning
Uczenie aktywne w trybie online łączy dwa komplementarne paradygmaty: przetwarza dane jako strumień (uczenie online) i selektywnie żąda etykiet tylko dla najbardziej informatywnych instancji (uczenie aktywne). Rezultatem jest model, który stale dostosowuje się do nowych danych, jednocześnie utrzymując niskie koszty etykietowania — przydatne, gdy etykietowane dane są drogie, a przykłady napływają sekwencyjnie, a nie wszystkie naraz.
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
- Cesa-Bianchi, N., Gentile, C., & Zaniboni, L. (2006). Worst-case analysis of selective sampling for linear classification. Journal of Machine Learning Research, 7, 1205–1230. link ↗
- Sculley, D. (2007). Online active learning methods for fast label-efficient spam filtering. Proceedings of the Fourth Conference on Email and Anti-Spam (CEAS 2007). link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Online Active Learning (Streaming Active Learning). ScholarGate. https://scholargate.app/pl/machine-learning/online-active-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.
- Aktywna naukaUczenie maszynowe↔ compare
- Uczenie z niewielką liczbą przykładówUczenie maszynowe↔ compare
- Uczenie onlineUczenie maszynowe↔ compare
- Regresja logistyczna onlineUczenie maszynowe↔ compare
- Online Random ForestUczenie maszynowe↔ compare
- Uczenie ze wsparciem częściowymUczenie maszynowe↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →