Aktif Öğrenme, öğrenme algoritmasının, yeni veri noktaları için etiket talep etmek üzere genellikle "kahin" veya insan açıklamacı olarak adlandırılan bir kullanıcıyı etkileşimli olarak sorgulama yetkisine sahip olduğu Makine Öğrenimi (ML) içinde özel bir alt alandır. Büyük, önceden etiketlenmiş bir veri kümesine dayanan geleneksel Denetimli Öğrenmenin aksine Aktif Öğrenme, açıklama için en bilgilendirici etiketsiz örnekleri stratejik olarak seçerek minimum etiketleme çabasıyla yüksek model performansı elde etmeyi amaçlar. Bu yaklaşım, etiketli veri elde etmenin pahalı, zaman alıcı olduğu veya uzman bilgisi gerektirdiği alanlarda özellikle değerlidir.
Aktif Öğrenme Nasıl Çalışır?
Aktif Öğrenme süreci tipik olarak yinelemeli bir döngü izler:
- İlk Eğitim: Bir model, örneğin Ultralytics YOLOnesne algılama modeli, başlangıçta etiketlenmiş küçük bir veri kümesi üzerinde eğitilir.
- Sorgulama: Halihazırda eğitilmiş olan model, etiketlenmemiş veri havuzunu analiz eder ve en bilgilendirici veya belirsiz olduğunu düşündüğü veri noktalarını seçmek için belirli bir sorgulama stratejisi kullanır.
- Açıklama: Seçilen bu veri noktaları, etiketleme için bir insan açıklayıcıya (kahin) sunulur. Etkili Veri Toplama ve Açıklama uygulamaları burada çok önemlidir.
- Yeniden Eğitim: Yeni etiketlenen örnekler eğitim setine eklenir.
- Yineleme: Model, genişletilmiş etiketli veri kümesiyle yeniden eğitilir ve döngü (adım 2-5), istenen doğruluk düzeyine ulaşma, etiketleme bütçesinin tükenmesi veya performans iyileştirmesinde azalan getirilerin gözlemlenmesi gibi bir durdurma kriteri karşılanana kadar tekrarlanır.
Sorgulama Stratejileri
Aktif Öğrenmenin özü, sorgulama stratejisinde yatar - bir sonraki sorgulanacak etiketsiz veri noktalarını seçmek için kullanılan yöntem. Yaygın stratejiler şunları içerir:
- Belirsizlik Örneklemesi: Modelin tahmininden en az emin olduğu örneklerin seçilmesi. Bu belki de en yaygın stratejidir. Burr Settles'ın bu çalışması gibi akademik araştırmalarda daha fazla ayrıntı bulunabilir.
- Komite Tarafından Sorgulama (QBC): Birden fazla modelin (bir komite) eğitilmesi ve komite üyelerinin tahmin konusunda en fazla hemfikir olmadığı örneklerin seçilmesi.
- Beklenen Model Değişikliği: Etiketleri biliniyor olsaydı model parametrelerinde en büyük değişikliğe neden olacak örneklerin seçilmesi.
Uygunluk ve Faydalar
Aktif Öğrenme, makine öğrenimi modellerinin geliştirilmesinde genellikle büyük bir darboğaz olan veri etiketleme yükünü önemli ölçüde azaltır. Ek açıklama çabalarını en etkili veri noktalarına odaklayarak ekiplerin şunları yapmasına olanak tanır:
- Önemli ölçüde daha az etiketle karşılaştırılabilir veya daha iyi model performansı elde edin.
- Uzman açıklamasıyla ilişkili maliyetleri azaltın.
- Model geliştirme yaşam döngüsünü hızlandırın.
- Zorlu veya belirsiz örneklere odaklanarak daha sağlam modeller oluşturun.
Gerçek Dünya Uygulamaları
Aktif Öğrenme çeşitli alanlarda uygulama alanı bulmaktadır:
- Tıbbi Görüntü Analizi: Tıbbi görüntülemede tümör tespiti gibi görevlerde, bir Aktif Öğrenme sistemi radyologlara en belirsiz X-ışınlarını veya MRI taramalarını sunarak uzman zamanlarının değerini en üst düzeye çıkarabilir ve tanısal yapay zekanın gelişimini hızlandırabilir. Bu, sağlık hizmetleri yapay zeka çözümlerini geliştirmek için çok önemlidir.
- Doğal Dil İşleme (NLP): Duygu analizi veya adlandırılmış varlık tanıma gibi görevler için Aktif Öğrenme, insan incelemesi için belirsiz metin parçacıklarını (örneğin, sosyal medya gönderileri, müşteri yorumları) seçebilir ve rastgele örnekleme verilerine kıyasla daha az manuel etiketleme ile model performansını hızla artırabilir.
Aktif Öğrenme ve İlgili Kavramlar
- Denetimli Öğrenme: Tamamen önceden var olan, tamamen etiketlenmiş bir veri kümesine dayanır. Eğitim sırasında etiketleme için etkileşimli olarak veri seçmez.
- Yarı Denetimli Öğrenme: Ayrıca hem etiketli hem de etiketsiz verileri kullanır, ancak genellikle belirli etiketleri aktif olarak sorgulamak yerine, verilerin yapısı hakkındaki varsayımlara (örneğin, kümeleme, manifold varsayımları) dayalı olarak etiketsiz verilerden otomatik olarak yararlanır. Daha fazla ayrıntı için Yarı Denetimli Öğrenme hakkındaki sözlük girişimize bakın.
- Pekiştirmeli Öğrenme: Bir çevre ile deneme yanılma etkileşimleri yoluyla öğrenir, ödüller veya cezalar alır. Aktif Öğrenme gibi verimli veri etiketlemeye değil, optimum eylemleri öğrenmeye odaklanır. Takviyeli Öğrenmeyi sözlüğümüzde daha fazla keşfedin.
Araçlar ve Uygulama
Aktif Öğrenmenin uygulanması genellikle makine öğrenimi modellerinin açıklama araçlarıyla entegre edilmesini ve veri iş akışının yönetilmesini içerir. Gibi platformlar DagsHubYOLO VISION 2023 konuşmasında tartışıldığı gibi, aktif öğrenme boru hatları oluşturmak için araçlar sunmaktadır. Label Studio gibi açıklama yazılımları bu işlem hatlarına entegre edilebilir. Veri kümelerini ve eğitilmiş modelleri etkili bir şekilde yönetmek çok önemlidir ve Ultralytics HUB gibi platformlar, geliştirme döngüsü boyunca veri kümelerini ve modelleri düzenlemek için altyapı sağlar.
TR
EN
ZH
KO
JA
RU
DE
FR
ES
PT
IT
AR
VI
