Aktívne učenie Gaussovho zmiešaného modelu
Aktívne učenie Gaussovho zmiešaného modelu (Active Learning Gaussian Mixture Model) kombinuje iteratívnu stratégiu dopytovania s Gaussovým zmiešaným modelom ako učiacim sa algoritmom. Algoritmus vyberá najinformatívnejšie neoznačené body — typicky tie s najvyššou prediktívnou neistotou — predkladá ich orákulu na označenie a opätovne prispôsobuje GMM pomocou EM na rastúcej označenej množine. Výsledkom je model hustoty, ktorý dosahuje kvalitu plných dát pri vyžadovaní oveľa menšieho počtu označených príkladov.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Active Learning with Gaussian Mixture Model. ScholarGate. https://scholargate.app/sk/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.
- Aktívne učenie s Gaussovským procesomStrojové učenie↔ compare
- Bayesovský Gaussovský zmesový modelStrojové učenie↔ compare
- Polosupervízny Gaussovský model zmesíStrojové učenie↔ compare
- Polosupervizované učenieStrojové učenie↔ compare
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →