Qu'est-ce que l'apprentissage actif ?

L'apprentissage actif est une approche en apprentissage automatique où l'algorithme choisit lui-même les exemples les plus informatifs pour l'étiquetage et l'apprentissage. Au lieu de s'entraîner sur un grand volume de données étiquetées aléatoirement, le modèle demande l'étiquetage uniquement des données qui l'aideront à s'améliorer de manière optimale.

C'est particulièrement utile lorsque l'étiquetage des données est coûteux ou laborieux. L'algorithme actif choisit des exemples avec la plus grande incertitude ou ceux qui se trouvent à la frontière de la prise de décision.

Exemple : dans une tâche de classification, le modèle peut choisir pour l'étiquetage les objets sur lesquels il est le moins confiant, améliorant ainsi la qualité plus rapidement.

L'apprentissage actif est étroitement lié à la supervision faible, où l'on utilise des sources d'étiquetage faibles ou incomplètes pour entraîner les modèles.