El aprendizaje activo es una técnica de aprendizaje automático en la que un modelo de aprendizaje automático solicita a un usuario que etiquete manualmente una pequeña selección de datos de entrenamiento para mejorar su rendimiento. En lugar de esperar a que un gran conjunto de datos etiquetados esté disponible para el entrenamiento, el modelo de aprendizaje activo utiliza una estrategia de selección de muestras para elegir qué datos solicitar para su etiquetado.
La selección de muestras se basa en el grado de incertidumbre del modelo sobre una muestra, lo que significa que el modelo elige muestras que cree que son más difíciles de clasificar. Después de que el usuario etiqueta estas muestras, el modelo se entrena con el conjunto de datos actualizado y repite el proceso.
El aprendizaje activo es particularmente útil en situaciones en las que el etiquetado manual de datos puede ser costoso o difícil de obtener. Por ejemplo, en la clasificación de imágenes médicas, puede ser difícil obtener grandes cantidades de datos etiquetados, pero el aprendizaje activo puede ayudar a mejorar la precisión del modelo con una selección cuidadosa de muestras para su etiquetado.
Como consecuencia de esta situación de pandemia y económica en la que nos encontramos desde hace dos años, con la intención de proteger mejor los [...]
Leer más »Lo primero que hay que conocer son los límites de la IA y tras dominar los conceptos base se podrá construir un gran software comercial con intelige [...]
Leer más »Tras las revoluciones lideradas por el carbón, la electricidad y luego la electrónica, la sociedad está presenciando ahora una cuarta revolución i [...]
Leer más »Antes de explicaros qué es la inteligencia artificial, nos gustaría empezar con la frase del libro Age of intelligent machines (1992), de Raymond Ku [...]
Leer más »
