Učenje sa malo primera (Few-shot Learning)
Učenje sa malo primera je paradigma mašinskog učenja koja obučava modele da prepoznaju nove klase ili rešavaju nove zadatke na osnovu samo šake označenih primera — tipično jedan do pet — koristeći prethodno znanje stečeno iz velike, srodne distribucije za obuku. Posebno je relevantno u domenima gde je označavanje skupo, retko ili strukturno ograničeno.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+17 more
Izvori
- Vinyals, O., Blundell, C., Lillicrap, T., Wierstra, D., & Kavukcuoglu, K. (2016). Matching Networks for One Shot Learning. Advances in Neural Information Processing Systems (NeurIPS), 29. link ↗
- Finn, C., Abbeel, P., & Levine, S. (2017). Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks. Proceedings of the 34th International Conference on Machine Learning (ICML), PMLR 70:1126–1135. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Few-shot Learning (Meta-learning with Limited Labeled Examples). ScholarGate. https://scholargate.app/sr/machine-learning/few-shot-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.
- Učenje metrikeMašinsko učenje↔ compare
- Samostalno učenjeMašinsko učenje↔ compare
- Semi-supervised LearningMašinsko učenje↔ compare
- Transferno učenjeMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →