Aprendizaje activo

La idea clave detrás del aprendizaje activo es que un algoritmo de aprendizaje automático puede tener un mejor rendimiento con menos entrenamiento si se le permite elegir los datos de los que aprende. Un alumno activo puede plantear "consultas", generalmente en forma de instancias de datos sin etiquetar que deben ser etiquetadas por un "oráculo" (por ejemplo, un anotador humano) que ya comprende la naturaleza del problema. Este tipo de enfoque está bien motivado en muchas aplicaciones modernas de aprendizaje automático y minería de datos, donde los datos sin etiquetar pueden ser abundantes o fáciles de obtener, pero las etiquetas de entrenamiento son difíciles, requieren mucho tiempo o son costosas de obtener. Este libro es una introducción general al aprendizaje activo. Describe varios escenarios en los que se podrían formular consultas y detalla muchos algoritmos de selección de consultas que se han organizado en cuatro categorías amplias, o "marcos de selección de consultas". También abordamos algunos de los fundamentos teóricos del aprendizaje activo y concluimos con una descripción general de las fortalezas y debilidades de estos enfoques en la práctica, incluido un resumen del trabajo en curso para abordar estos desafíos y oportunidades abiertos. Tabla de contenido: Automatización de la consulta / Muestreo de incertidumbre / Búsqueda en el espacio de hipótesis / Minimización del error y la varianza esperados / Explotación de la estructura de los datos / Teoría / Consideraciones prácticas

Autor: Burr Settles
Editorial: Springer
Publicado: 08/07/2012
Páginas: 100
Tipo de encuadernación: Tapa blanda
Peso: 0.47lbs
Tamaño: 9.25h x 7.50w x 0.24d
ISBN13: 9783031004322
ISBN10: 3031004329
Categorías BISAC:
- Informática | Inteligencia Artificial | General
- Matemáticas | Aplicadas

Acerca del autor
Burr Settles dirige el grupo de investigación de Duolingo, un sitio web y una aplicación móvil galardonados que ofrecen educación lingüística gratuita para el mundo. También dirige FAWM.ORG, un experimento anual global de composición de canciones. Su investigación ha sido publicada en NIPS, ICML, AAAI, ACL, EMNLP, NAACL-HLT y CHI, y ha sido cubierta por The New York Times, Slate, Forbes, WIRED y la BBC, entre otros. En vidas pasadas, fue postdoctorado en Carnegie Mellon y obtuvo un doctorado en la Universidad de Wisconsin-Madison.

Este título no es retornable