সক্রিয় শিক্ষণ (Active Learning)
সক্রিয় শিক্ষণ হলো সুপারভাইজড লার্নিং-এর একটি পুনরাবৃত্তিমূলক ধরন যা সে পরিস্থিতির জন্য প্রাসঙ্গিক যেখানে ডেটা পর্যাপ্ত কিন্তু ক্লাস লেবেল দুর্লভ বা সংগ্রহ করা ব্যয়বহুল। শিক্ষণ অ্যালগরিদম "সক্রিয়" কারণ এটি একজন ব্যবহারকারী (যেমন মানব অরেকেল) থেকে লেবেল জন্য সচেতনভাবে কোয়েরি করতে পারে। এই পদ্ধতিতে একটি ধারণা শিখতে ব্যবহৃত টাপলের সংখ্যা সাধারণ সুপারভাইজড লার্নিং-এর চেয়ে কম।
উদ্দেশ্য ও প্রক্রিয়া
খরচ কম রাখতে সক্রিয় শিক্ষার্থীর লক্ষ্য হলো যতামেনি কম লেবেলযুক্ত উদাহরণ ব্যবহার করে উচ্চ নির্ভুলতা অর্জন করা। D কে বিবেচনা 대상 ডেটা সেট মনে করুন। D-র ওপর সক্রিয় শিক্ষণের জন্য বেশ কিছু পদ্ধতি রয়েছে।
ধরা যাক D-র একটি ছোট উপসেট ক্লাস-লেবেলযুক্ত। এই সেটকে L দিয়ে বোঝানো হয়। U হলো D-তে অ-লেবেলযুক্ত ডেটার সেট, যাকে অ-লেবেলযুক্ত ডেটার পুল (pool) ও বলা হয়। একটি সক্রিয় শিক্ষার্থী L কে প্রাথমিক প্রশিক্ষণ সেট হিসেবে ব্যবহার করে। এটি একটি কোয়েরি সার্ভিস ব্যবহার করে U-থেকে সচেতনভাবে এক বা একাধিক ডেটা নমুনা বেছে নেয় এবং একটি অরেকেল (যেমন মানব এনটেটর) থেকে সেসব নমুনার লেবেল চায়।
নতুন লেবেলযুক্ত নমুনাগুলি L-তে যোগ করা হয়, যা শিক্ষার্থী একটি মানক সুপারভাইজড পদ্ধতিতে ব্যবহার করে। প্রক্রিয়াটি চলতে থাকে। সক্রিয় শিক্ষণের লক্ষ্য হলো প্রয়োজ্য ততকämä লেবেলযুক্ত টাপল ব্যবহার করে উচ্চ নির্ভুলতা অর্জন। সক্রিয় শিক্ষণের অ্যালগরিদমগুলো সাধারণত লার্নিং কার্ভ (learning curves) দিয়ে মূল্যায়ন করা হয়, যা কোয়েরি করা ইনস্ট্যান্সের সংখ্যা wzglęতে নির্ভুলতা প্লট করে।
কোয়েরি করার জন্য টাপল নির্বাচন
কিছু সক্রিয় শিক্ষন গবেষণা ফোকাস করে কীভাবে কোয়েরি করার জন্য ডেটা টাপল নির্বাচন করা যায়। বেশ কিছু ফ্রেমওয়ার্ক প্রস্তাবিত হয়েছে। অনিশ্চিততা নমুনা ग्रহণ (Uncertainty sampling) phổর, যেখানে সক্রিয় শিক্ষার্থী সেই টাপলগুলো কোয়েরি করার বেছে নেয় যেগুলি লেবেল করার বিষয়ে সে সবচেয়ে কম নিশ্চিত।
অন্যান্য পদ্ধতিগুলি ভার্সন স্পেস (version space) হ্রাস করার চেষ্টা করে—অর্থাৎ সমস্ত হাইপোথিসিসের উপসেট যা পর্যবেক্ষিত প্রশিক্ষণ টাপলদের সাথে সামঞ্জস্যপূর্ণ। একটি ডিসিশন-থিওরেটিক পদ্ধতি অপেক্ষিত ত্রুটি হ্রাস গণনা করে। এটি সেই টাপলগুলো বেছে নেয় যা মোট ভুল প্রিডিকশনের সংখ্যা সর্বাধিক হ্রাস করতে পারে (U-র ওপর অপেক্ষিত এনট্রপি হ্রাস করে)। এই পদ্ধতিটি গাণনিকভাবে বেশি ব্যয়বহুল।
ট্রান্সফার লার্নিং (Transfer Learning)
ট্রান্সফার লার্নিং-এর লক্ষ্য হলো এক বা একাধিক সোর্স টাস্ক থেকে জ্ঞান অর্জন করে একটি টার্গেট টাস্কে প্রয়োগ করা। পারাম্পরিক লার্নিং পদ্ধতিতে প্রতিটি নতুন শ্রেণিবিন্যাস টাস্কের জন্য উপলব্ধ ক্লাস-লেবেলযুক্ত প্রশিক্ষণ ও টেস্ট ডেটা দিয়ে একটি নতুন ক্লাসিফায়ার তৈরি করা হয়।
ট্রান্সফার লার্নিং অ্যালগরিদম সোর্স টাস্ক সম্পর্কে জ্ঞান প্রয়োগ করে একটি নতুন (টার্গেট) টাস্কের জন্য ক্লাসিফায়ার তৈরি করার সময়। ফলস্বরূপ ক্লাসিফায়ারের জন্য কম প্রশিক্ষণ ডেটা এবং কম প্রশিক্ষণ সময় লাগে। পারাম্পরিক লার্নিং অ্যালগরিদম ধরে নেয় প্রশিক্ষণ ডেটা ও টেস্ট ডেটা একই বিতরণ ও একই ফিচার স্পেস থেকে আসা। তাই যদি বিতরণ পরিবর্তন হয়, তবে সেসব টেকনিককে স্ক্র্যাচ থেকে মডেল পুনর্নির্মাণ করতে হয়।
