Aktivno učenje Gausovog modela mešavine
Aktivno učenje Gausovog modela mešavine (Active Learning Gaussian Mixture Model) kombinuje iterativnu strategiju upita sa Gausovim modelom mešavine kao učenjem. Algoritam bira najinformativnije neoznačene tačke — tipično one sa najvećom prediktivnom nesigurnošću — predstavlja ihത്തര oracle-u na označavanje, i ponovo prilagođava GMM koristeći EM algoritam na rastućem skupu označenih podataka. Rezultat je model gustine koji dostiže kvalitet punih podataka, zahtevajući znatno manje označenih primera.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
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/sr/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 Gausovim procesimaMašinsko učenje↔ compare
- Bajezijanski model Gausovih smešaMašinsko učenje↔ compare
- Polu-nadgledovani model Gausovih mešavinaMašinsko učenje↔ compare
- Semi-supervised LearningMašinsko učenje↔ compare
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →