সক্রিয় শিক্ষা হল তত্ত্বাবধানে শিক্ষার একটি পুনরাবৃত্তিমূলক প্রকার যা এমন পরিস্থিতিতে প্রাসঙ্গিক যেখানে ডেটা যথেষ্ট, কিন্তু শ্রেণী লেবেলগুলি অর্জিত হওয়ার জন্য দুষ্প্রাপ্য বা ব্যয়বহুল। শেখার অ্যালগরিদম সক্রিয় যে এটি লেবেলের জন্য একজন ব্যবহারকারীকে (যেমন, একজন ব্যক্তি ওরাকল) সতর্কতার সাথে জিজ্ঞাসা করতে পারে। এই পদ্ধতিটি একটি ধারণা বোঝার জন্য ব্যবহৃত একাধিক টিপল সাধারণ তত্ত্বাবধানে শিক্ষার জন্য প্রয়োজনীয় সংখ্যার চেয়ে ছোট।
এটি খরচ কমিয়ে রাখার জন্য ব্যবহার করা হয়, যতটা সম্ভব কম লেবেলযুক্ত উদাহরণ ব্যবহার করে উচ্চ নির্ভুলতা অর্জন করা সক্রিয় শিক্ষার্থীর উদ্দেশ্য। বিবেচনাধীন সব তথ্য D হতে দিন। D.
-এ সক্রিয় শেখার জন্য বেশ কয়েকটি পদ্ধতি অব্যাহত রয়েছেবিবেচনা করুন যে D-এর একটি ছোট উপসেট শ্রেণী-লেবেলযুক্ত। এই সেটটি L দ্বারা নির্দেশিত। U হল D-এ লেবেলবিহীন ডেটার সেট। এটিকে লেবেলবিহীন ডেটার পুল হিসাবেও সংজ্ঞায়িত করা হয়। একজন সক্রিয় শিক্ষার্থী L দিয়ে শুরু করে মূল প্রশিক্ষণ সেট হিসেবে। এটি U থেকে সাবধানে এক বা একাধিক ডেটা নমুনা বেছে নেওয়ার জন্য একটি অনুসন্ধান পরিষেবা ব্যবহার করতে পারে এবং একটি ওরাকল থেকে তাদের জন্য লেবেল অনুরোধ করতে পারে (যেমন, একজন ব্যক্তি টীকাকারী)।
নতুন লেবেলযুক্ত নমুনাগুলি L-এ ঢোকানো হয়, যা শিক্ষার্থীর একটি আদর্শ তত্ত্বাবধান পদ্ধতিতে প্রয়োজন। প্রক্রিয়া চলতে থাকে। সক্রিয় শিক্ষার লক্ষ্য হল প্রযোজ্য হিসাবে কয়েকটি লেবেলযুক্ত টিপল ব্যবহার করে উচ্চ নির্ভুলতা প্রয়োগ করা। অ্যাক্টিভ লার্নিং অ্যালগরিদমগুলি সাধারণত শেখার বক্ররেখা ব্যবহার করে গণনা করা হয়, যা একাধিক উদাহরণের অনুসন্ধানের ফাংশন হিসাবে নির্ভুলতা প্লট করে।
প্রশ্ন করার জন্য ডেটা টিপলগুলি কীভাবে নির্বাচন করতে হয় সে সম্পর্কে কিছু সক্রিয় শেখার গবেষণা লক্ষ্য। সেখানে বিভিন্ন কাঠামোর প্রস্তাব করা হয়েছে। অনিশ্চয়তার নমুনা নেওয়া সাধারণ, যেখানে সক্রিয় শিক্ষার্থী টিপলগুলিকে জিজ্ঞাসা করার জন্য নির্বাচন করে যেটি লেবেল করার জন্য এটি সর্বনিম্ন নির্দিষ্ট।
সংস্করণের স্থান কমানোর জন্য বিভিন্ন পদ্ধতি কাজ করে, যেমন, সমস্ত অনুমানের উপসেট যা পর্যবেক্ষণ করা প্রশিক্ষণের টিপলের সাথে নির্ভরযোগ্য। এটি একটি সিদ্ধান্ত-তাত্ত্বিক পদ্ধতি অনুসরণ করতে পারে যা প্রত্যাশিত ত্রুটি হ্রাস গণনা করে।
এটি এমন টিপলগুলি বেছে নেয় যার ফলে U-এর উপর প্রত্যাশিত এনট্রপি হ্রাস সহ মোট ভুল ভবিষ্যদ্বাণীর সংখ্যা সর্বোচ্চ হ্রাস পেতে পারে। এই পদ্ধতির প্রভাব আরও গণনাগতভাবে উচ্চ হতে পারে।
ট্রান্সফার লার্নিং এর উদ্দেশ্য হল এক বা একাধিক উৎস ফাংশন থেকে জ্ঞান আহরণ করা এবং জ্ঞানকে একটি টার্গেট টাস্কে ব্যবহার করা। ঐতিহ্যগত শিক্ষা পদ্ধতি প্রতিটি নতুন শ্রেণীবিভাগের কাজের জন্য একটি নতুন শ্রেণীবিভাগ তৈরি করে, যা উপলব্ধ ক্লাস-লেবেলযুক্ত প্রশিক্ষণ এবং পরীক্ষার তথ্যের উপর নির্ভর করে।
ট্রান্সফার লার্নিং অ্যালগরিদমগুলি একটি নতুন (টার্গেট) টাস্কের জন্য একটি ক্লাসিফায়ার তৈরি করার সময় উত্স পরিষেবা সম্পর্কে জ্ঞান প্রয়োগ করে। ফলস্বরূপ শ্রেণিবদ্ধকরণের বিকাশের জন্য কম প্রশিক্ষণের ডেটা এবং কম প্রশিক্ষণের সময় প্রয়োজন। ট্র্যাডিশনাল লার্নিং অ্যালগরিদমগুলি বিবেচনা করে যে প্রশিক্ষণের ডেটা এবং পরীক্ষার ডেটা একই বিতরণ এবং একই বৈশিষ্ট্য এলাকা থেকে আঁকা হয়। অতএব, যদি বন্টন পরিবর্তিত হয়, এই ধরনের কৌশলগুলি স্ক্র্যাচ থেকে মডেলগুলিকে পুনর্নির্মাণের জন্য প্রয়োজন৷
