التعلم النشط Active Learning
التعلم النشط Active Learning هو شكل من أشكال التعلم الآلي شبه الخاضع للإشراف semi-supervised حيث يمكن للخوارزمية اختيار البيانات التي تريد التعلم منها. مع هذا النهج ، لمعرفة التنبؤ الصحيح لمشكلة معينة يمكن للبرنامج الاستعلام بنشاط عن مصدر سلطة ، إما المبرمج programmer أو مجموعة البيانات المصنفة labeled dataset.
الهدف من نهج التعلم التكراري iterative learning هذا هو تسريع عملية التعلم ، خاصة إذا لم يكن لديك مجموعة بيانات كبيرة مصنفة لممارسة أساليب التعلم التقليدية الخاضعة للإشراف.
أحد أكثر التطبيقات شيوعًا للتعلم النشط هو مجال معالجة اللغات الطبيعية المكثف intensive Natural Language Processing. يمكن أن تنتج هذه الطريقة نتائج مماثلة للتعلم الخاضع للإشراف ، مع جزء بسيط من التدخل البشري.
كيف يعمل التعلم النشط ؟
في حين أن هناك العديد من استراتيجيات الاستعلام المخصصة، مثل اخذ العينة الأقل ثقة Least Confidence Sampling وأخذ العينة الهامشي margin sampling و إنتروبيا العينة entropy sampling، هناك فقط ثلاثة سيناريوهات عامة بمساعدتهم يقدر التعلم النشط الاستعلام عن التسميات labels المناسبة للبيانات:
تجميع استعلام العضوية Membership Query Synthesis: هذا هو المكان الذي يولد فيه المتعلم مثيله الخاص من التوزيع الطبيعي الأساسي. على سبيل المثال ، إذا كانت مجموعة البيانات عبارة عن صور لأشخاص وحيوانات ، يمكن للمتعلم إرسال صورة مقطوعة لساق إلى المعلم والاستعلام عما إذا كان هذا الملحق ينتمي إلى حيوان أو إنسان. هذا مفيد بشكل خاص إذا كانت مجموعة البيانات الخاصة بك صغيرة.
أخذ العينات الانتقائي القائم على التدفق Stream-Based Selective Sampling: هنا ، يتم فحص كل نقطة بيانات غير مسماة “مرمزة” واحدة تلو الأخرى مع قيام الألة بتقييم معلوماتية كل عنصر مقابل معلمات الاستعلام الخاصة به. عندئذ يقرر المتعلم ما إذا كان سيخصص التسمية بنفسه أو سيستعلم المعلم عن كل نقطة بيانات.
أخذ العينات على أساس التجمع Pool-Based Sampling: في هذا السيناريو ، يتم استخلاص العينات المتشابهة من تجمع البيانات بالكامل وتخصيص مقياس معين informative score، وهي قياس لمدى “فهم” المتعلم للبيانات. يقوم النظام بعد ذلك باختيار الأمثلة الأكثر إفادة ويستفسر من المعلم عن التسميات labels.
