یادگیری فعال
فرهنگستان زبان و ادب
دانشنامه عمومی
یادگیری فعال «روشی از یادگیری است که در آن دانش آموزان به طور فعال یا تجربی در فرایند یادگیری مشارکت دارند و همچنین سطوح مختلفی از یادگیری فعال، بستگی به مشارکت دانش آموز دارد». [ ۱] ( Bonwell و Eison 1991 ) بیان می کنند که «دانش آموزان زمانی شرکت می کنند که علاوه بر گوش دادن غیرفعال، کاری را انجام دهند». در گزارشی از انجمن مطالعه آموزش عالی ( ASHE ) ، نویسندگان روش های مختلفی را برای ترویج یادگیری فعال مورد بحث قرار می دهند. آنها به ادبیاتی اشاره می کنند که نشان می دهد دانش آموزان برای یادگیری باید بیشتر از گوش دادن، عملی را انجام دهند. آنها باید بخوانند، بنویسند، بحث کنند و در حل مسائل مشارکت داشته باشند. این فرایند به سه حوزه یادگیری به نام دانش، مهارت و نگرش ( KSA ) مربوط می شود. این طبقه بندی رفتارهای یادگیری را می توان به عنوان «اهداف فرایند یادگیری» در نظر گرفت. به طور خاص، دانش آموزان باید در کارهای تفکر مرتبه بالاتری مانند تجزیه و تحلیل، ترکیب و ارزشیابی شرکت کنند. [ ۲]
wiki: یادگیری فعال
یادگیری فعال (یادگیری ماشین). یادگیری فعال یک مورد خاص از یادگیری ماشین است که در آن یک الگوریتم یادگیری می تواند به طور تعاملی از کاربر ( یا منبع اطلاعاتی دیگر ) سؤال کند تا نقاط داده های جدید را با خروجی های مورد نظر علامت گذاری کند. [ ۱] در ادبیات آماری، بعضی اوقات به آن طراحی آزمایشی مطلوب هم می گویند. [ ۲] همچنین منبع اطلاعات، معلم یا دانشمند نامیده می شود.
موقعیت های وجود دارد که داده های برچسب گذاری نشده فراوان هستند اما برچسب گذاری به صورت دستی گران است. در همچین مواقعی، الگوریتم یادگیری می تواند به طور فعال از کاربر یا معلم برای برچسب ها سؤال کند. این نوع از یادگیری تحت نظارت را یادگیری فعال می نامند. از آنجایی که یادگیرنده مثال ها را انتخاب می کند، تعداد مثال ها برای یادگیری یک مفهوم گاهی می تواند بسیار کمتر از تعداد مورد نیاز در حالت معمولی یادگیری تحت نظارت باشد. با این رویکرد، این خطر وجود دارد که الگوریتم توسط مثال های غیر اطلاعاتی آسیب ببیند. پیشرفت های اخیر به یادگیری فعال چند برچسبی، یادگیری فعال ترکیبی و یادگیری فعال در زمینه تک گذری ( آنلاین ) ، ترکیب کردن مفاهیم زمینه ماشین یادگیری ( مانند تضاد و بی خبری ) با سیاست های یادگیری تطبیقی و افزایشی در زمینه یادگیری ماشین آنلاین اختصاص داده شده.
فرض کنید کهT مجموعه از داده های مورد بررسی باشد. برای مثال، در یک مشکل مهندسی پروتئین، T شامل همه پروتئین هایی می شود که برای یک فعالیت خاص و جالب شناخته می شوند و همچنین همه پروتئین های اضافه ای که ممکن است بخوایم زمانی برای ان فعالیت آزمایش کنیم.
در هر بار تکرار، i , T به سه زیر مجموعه شکسته و تقسیم می شود
• T K , i {\displaystyle \mathbf {T} _{K, i}} : نقاط داده ای که برچسب مشخص است.
• T U , i {\displaystyle \mathbf {T} _{U, i}} : نقاط داده ای که برچسب نامشخص است.
• T C , i {\displaystyle \mathbf {T} _{C, i}} : زیر مجموعه ای از TU, i که برای برچسب گذاری انتخاب شده است.
اکثر تحقیقات کنونی در زمینه یادگیری فعال شامل بهترین روش برای انتخاب نقطه داده برای TC, i است.
• ترکیب پرس و جو عضویت: اینجا جایی است که یادگیرنده نمونه های خود را از یک توزیع طبیعی اساسی تولید می کند. به عنوان مثال، اگر مجموعه داده تصاویری از انسان ها و حیوانات باشد، یادگیرنده می تواند یک تصویر بریده شده از یک پا را برای معلم ارسال کند و می تواند سؤال کند که این متعلق به حیوان یا انسان است این مفید است مخصوصاً اگر مجموعه داده کوچک باشد. [ ۳]
• نمونه گیری مبتنی بر استخر: در این روش، نمونه هایی از کل مجموعه داده ها گرفته می شوند و یک نتیجه مطمئن را تعیین می کنند، که این سنجش میزان فهم یادگیرنده از داده ها است. سپس سیستم نمونه هایی را که کمترین اطمینان را دارند انتخاب می کند و از معلم برای برچسب ها سؤال می کند.
• نمونه گیری انتخابی مبتنی بر جریان: در اینجا، هر نقطه داده برچسب گذاری نشده یک بار توسط دستگاه ارزیابی می شود که اطلاعات هر نمونه را در برابر پارامترهای پرس و جو آن بررسی می کند. یادگیرنده برای خودش تصمیم می گیرد که برای هر نقطه داده یک برچسب اختصاص دهد یا از معلم پرس و جو کند.
این نوشته برگرفته از سایت ویکی پدیا می باشد، اگر نادرست یا توهین آمیز است، لطفا گزارش دهید: گزارش تخلفموقعیت های وجود دارد که داده های برچسب گذاری نشده فراوان هستند اما برچسب گذاری به صورت دستی گران است. در همچین مواقعی، الگوریتم یادگیری می تواند به طور فعال از کاربر یا معلم برای برچسب ها سؤال کند. این نوع از یادگیری تحت نظارت را یادگیری فعال می نامند. از آنجایی که یادگیرنده مثال ها را انتخاب می کند، تعداد مثال ها برای یادگیری یک مفهوم گاهی می تواند بسیار کمتر از تعداد مورد نیاز در حالت معمولی یادگیری تحت نظارت باشد. با این رویکرد، این خطر وجود دارد که الگوریتم توسط مثال های غیر اطلاعاتی آسیب ببیند. پیشرفت های اخیر به یادگیری فعال چند برچسبی، یادگیری فعال ترکیبی و یادگیری فعال در زمینه تک گذری ( آنلاین ) ، ترکیب کردن مفاهیم زمینه ماشین یادگیری ( مانند تضاد و بی خبری ) با سیاست های یادگیری تطبیقی و افزایشی در زمینه یادگیری ماشین آنلاین اختصاص داده شده.
فرض کنید کهT مجموعه از داده های مورد بررسی باشد. برای مثال، در یک مشکل مهندسی پروتئین، T شامل همه پروتئین هایی می شود که برای یک فعالیت خاص و جالب شناخته می شوند و همچنین همه پروتئین های اضافه ای که ممکن است بخوایم زمانی برای ان فعالیت آزمایش کنیم.
در هر بار تکرار، i , T به سه زیر مجموعه شکسته و تقسیم می شود
• T K , i {\displaystyle \mathbf {T} _{K, i}} : نقاط داده ای که برچسب مشخص است.
• T U , i {\displaystyle \mathbf {T} _{U, i}} : نقاط داده ای که برچسب نامشخص است.
• T C , i {\displaystyle \mathbf {T} _{C, i}} : زیر مجموعه ای از TU, i که برای برچسب گذاری انتخاب شده است.
اکثر تحقیقات کنونی در زمینه یادگیری فعال شامل بهترین روش برای انتخاب نقطه داده برای TC, i است.
• ترکیب پرس و جو عضویت: اینجا جایی است که یادگیرنده نمونه های خود را از یک توزیع طبیعی اساسی تولید می کند. به عنوان مثال، اگر مجموعه داده تصاویری از انسان ها و حیوانات باشد، یادگیرنده می تواند یک تصویر بریده شده از یک پا را برای معلم ارسال کند و می تواند سؤال کند که این متعلق به حیوان یا انسان است این مفید است مخصوصاً اگر مجموعه داده کوچک باشد. [ ۳]
• نمونه گیری مبتنی بر استخر: در این روش، نمونه هایی از کل مجموعه داده ها گرفته می شوند و یک نتیجه مطمئن را تعیین می کنند، که این سنجش میزان فهم یادگیرنده از داده ها است. سپس سیستم نمونه هایی را که کمترین اطمینان را دارند انتخاب می کند و از معلم برای برچسب ها سؤال می کند.
• نمونه گیری انتخابی مبتنی بر جریان: در اینجا، هر نقطه داده برچسب گذاری نشده یک بار توسط دستگاه ارزیابی می شود که اطلاعات هر نمونه را در برابر پارامترهای پرس و جو آن بررسی می کند. یادگیرنده برای خودش تصمیم می گیرد که برای هر نقطه داده یک برچسب اختصاص دهد یا از معلم پرس و جو کند.
پیشنهاد کاربران
یادگیری پویا میتواند جایگزین مناسبی برای این واژه به ویژه واژه فعال باشد.