Aktivno učenje Gausovim procesima
Aktivno učenje Gausovim procesima (GP-AL) kombinuje probabilistički model Gausovih procesa sa strategijom upita aktivnog učenja, koristeći posteriornu nesigurnost GP-a za odabir najinformativnijih neoznačenih primera za označavanje. Ovaj iterativni pristup minimizira napor označavanja, istovremeno maksimizirajući prediktivnu tačnost, što ga čini idealnim kada su označeni podaci retki ili skupi za dobijanje.
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
- 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/sr/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 učenjeMašinsko učenje↔ compare
- Bajezov Gausov procesMašinsko učenje↔ compare
- Gausov procesMašinsko učenje↔ compare
- Polu-nadgledani Gausov procesMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →