¿Qué es el aprendizaje activo?

El aprendizaje activo es un enfoque en el aprendizaje automático en el que el algoritmo selecciona por sí mismo los ejemplos más informativos para marcar y entrenar. En lugar de entrenarse con un gran volumen de datos etiquetados aleatoriamente, el modelo solicita la etiquetación solo de aquellos datos que le ayudarán a mejorar de manera más eficiente.

Esto es especialmente útil cuando la etiquetación de datos es costosa o laboriosa. El algoritmo activo selecciona ejemplos con la mayor incertidumbre o aquellos que están en la frontera de la toma de decisiones.

Ejemplo: en una tarea de clasificación, el modelo puede elegir para marcar aquellos objetos sobre los que tiene menos confianza, y así mejorar la calidad más rápidamente.

El aprendizaje activo está estrechamente relacionado con la supervisión débil, donde se utilizan fuentes de etiquetado débiles o incompletas para entrenar modelos.