Strategie próbkowania w nauczaniu głębokim aktywnym

Skuteczne rozwiązanie oparte na nauczaniu maszynowym zależy od wielu komponentów, jednym z najważniejszych komponentów jest zrozumiały czysty zbiór danych uczących. Obecnie ogromna ilość danych jest automatycznie zbierana w celu rozwiązania ewentualnych przyszłych zadań. Jednocześnie istnieją zadania, dla których zbieranie danych jest kosztowne, a w skutku dochodzi do ich niedoboru. Wspólną składową wymienionych problemów jest znalezienie danych z najcenniejszymi informacjami, które pomogą w ekonomicznym rozwiązaniu zadania. Przy aktywnym podejściu do uczenia się, algorytmy uczenia maszynowego mogą osiągnąć większą dokładność przy mniejszej ilości etykowanych danych uczących. Praca ta ma na celu opisanie i porównanie różnych metod próbkowania w aktywnym uczeniu się przy zastosowaniu z głębokimi sieciami neuronowymi. Celem stosowania tych metod jest zredukowanie zbioru danych potrzebnych do uczenia sieci i przy tym utrzymanie podobnego poziomu efektywności. Niniejsza praca opisuje wybrane metody oceny niepewności, które zostały przetestowane w różnych konfiguracjach. Uzyskana wydajność, wybrane podzbiory uczące zostały porównane i opisane. Nasze badania pokazują, że metody pobierania próbek w pewnych warunkach dają podobne, satysfakcjonujące wyniki.Successful machine learning solution depends on many components, but one of the most important components is clean understandable training data. Nowadays a huge amount of data is automatically collected for solving possible future tasks. At the same time, there are tasks for which collecting data is expensive, as a consequence there is a lack of it. The common unit of the mentioned problems is finding data with the most valuable information which helps to solve a task inexpensively. With an active learning approach, machine learning algorithms can achieve better accuracy with less labeled training data. This work aims to describe and compare various methods of sampling training data for active learning with deep neural networks. The purpose of using these methods is to reduce the data set needed to train the network and maintain a similar level of effectiveness. This thesis describes chosen uncertainty methods, which were tested in different setups. Obtained performance, selected training subsets were compared and described. Our experiments show that sampling methods under certain conditions are giving similar satisfying results