Cos'è l'apprendimento attivo?

L'apprendimento attivo è un approccio nell'apprendimento automatico in cui l'algoritmo sceglie autonomamente gli esempi più informativi per l'etichettatura e l'addestramento. Invece di addestrarsi su un grande volume di dati etichettati casualmente, il modello richiede l'etichettatura solo dei dati che lo aiuteranno a migliorare in modo più efficace.

Questo è particolarmente utile quando l'etichettatura dei dati è costosa o laboriosa. L'algoritmo attivo seleziona esempi con la massima incertezza o quelli che si trovano al confine delle decisioni.

Esempio: in un compito di classificazione, il modello può scegliere di etichettare gli oggetti su cui ha meno fiducia, migliorando così la qualità più rapidamente.

L'apprendimento attivo è strettamente correlato alla supervisione debole, dove si utilizzano fonti di etichettatura deboli o incomplete per addestrare i modelli.