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.
Existe consenso entre los directivos de las principales empresas del mundo acerca del impacto crucial que la Inteligencia Artificial (IA) en el sector [...]
Leer más »Existe un amplio consenso entre los directivos de las principales empresas del mundo acerca del impacto que va a tener la inteligencia artificial en e [...]
Leer más »El chargeback hace referencia a las devoluciones que ocurren cuando, a petición del titular de una tarjeta, el banco solicita en su nombre un reembol [...]
Leer más »El deep learning se traduce como aprendizaje profundo y es un tipo de inteligencia artificial (IA) que se encuentra englobado dentro del machine learn [...]
Leer más »