Aktif Ogrenme (Active Learning)

Diger adlari: Active Learning, Query-Based Learning

Kisa Tanim

Aktif ogrenme, modelin kendi belirsizligini kullanarak etiketlenmesi gereken en bilgilendirici ornekleri secmesi ve bunlari bir uzmana (oracle) gondermesi stratejisidir. Amac, minimum etiketli veriyle maksimum model performansina ulasmaktir.

Teknik Mantik

Uc temel strateji vardir: (1) Uncertainty sampling — model en dusuk guvenle tahmin ettigi ornekleri secer (entropi, marjin veya en dusuk olasilik tabanli). (2) Query-by-committee — birden fazla model egitilir, uzerinde en fazla anlasamazlik olan ornekler secilir. (3) Expected model change — etiketlenmesi durumunda model parametrelerini en cok degistirecek ornek secilir. Her iterasyonda model yeniden egitilir ve belirsizlik haritasi guncellenir.

Kullanim Baglami

Etiketleme maliyetinin yuksek, uzman zamaninin kit oldugu durumlarda tercih edilir. Ozellikle tibbi goruntuleme, dogal dil isleme ve tarimsal veri etiketleme gibi alanlarda yaygindir.

Tarimsal Baglam

Tarimsal ML'de uzman agronomist etiketleme zamani en kit kaynaktir. Aktif ogrenme, rastgele etiketlemeye kiyasla ayni performansa %30-50 daha az etiketli veriyle ulasmayi saglar. Ornegin bitki hastaligi tespitinde model, erken evre belirtiler gibi en belirsiz goruntulerini agronomiste gondererek etiketleme verimliligini maksimize eder. MC-Dropout veya ensemble varyans ile belirsizlik olcumu dogrudan aktif ogrenme dongusu icin kullanilir.

Sik Karistirilan Nokta

Aktif ogrenme, yari-gozetimli ogrenme (semi-supervised learning) ile karistirilir. Yari-gozetimli ogrenme etiketsiz veriyi dogrudan model egitiminde kullanirken, aktif ogrenme etiketsiz veriyi secmek icin kullanir ve secilen orneklerin bir uzman tarafindan etiketlenmesini gerektirir.

Dr. Mehmet Solak — Siirt Universitesi, Biyosistem Muhendisligi