Jadwal Sholat

Memuat jadwal sholatโ€ฆ

Editorial Pendidikan

Open AccessOA2022

Kurva pembelajaran untuk pengambilan keputusan dalam pembelajaran mesin terawasi: sebuah survei

Survei ini mengategorikan model kurva pembelajaran dalam pembelajaran mesin terawasi berdasarkan situasi pengambilan keputusan, pertanyaan intrinsik, dan jenis sumber daya. Survei ini menyoroti penerapannya dalam akuisisi data, penghentian dini, dan pemilihan model, serta mengusulkan kerangka kerja untuk mengklasifikasikan pendekatan yang ada.
F. Mohr; J. V. van Rijnยท Machine-mediated learningยท 2022ยท DOI 10.1007/s10994-024-06619-7

Masalah inti

Kurva pembelajaran, yang awalnya berasal dari ilmu sosial, telah diadopsi dalam pembelajaran mesin untuk menilai kinerja algoritma relatif terhadap sumber daya seperti contoh pelatihan atau iterasi. Kurva ini penting untuk pengambilan keputusan dalam akuisisi data, penghentian dini, dan pemilihan model. Sebagai contoh, kurva pembelajaran dapat memodelkan kinerja kombinasi algoritma-hyperparameter, memberikan wawasan awal tentang kesesuaiannya dan mempercepat pemilihan algoritma. Berbagai model kurva pembelajaran telah diusulkan: sebagian menjawab pertanyaan biner seperti apakah suatu algoritma pada anggaran tertentu akan melampaui kinerja referensi, sementara yang lain memprediksi seluruh kurva pembelajaran. Survei ini menyumbangkan kerangka kerja yang mengategorikan pendekatan kurva pembelajaran menggunakan tiga kriteria: situasi pengambilan keputusan yang ditangani, pertanyaan intrinsik kurva pembelajaran yang dijawab, dan jenis sumber daya yang digunakan. Para penulis menyurvei literatur dan mengklasifikasikan makalah ke dalam kerangka kerja ini.

Inovasi

Para penulis melakukan survei literatur sistematis tentang kurva pembelajaran dalam pembelajaran mesin terawasi. Mereka mengusulkan kerangka kerja untuk mengategorikan pendekatan yang ada berdasarkan tiga dimensi:

1. **Situasi pengambilan keputusan**: Konteks di mana kurva pembelajaran digunakan, seperti akuisisi data, penghentian dini, atau pemilihan model.
2. **Pertanyaan intrinsik kurva pembelajaran**: Pertanyaan spesifik yang dijawab model, misalnya perbandingan kinerja biner atau prediksi kurva penuh.
3. **Jenis sumber daya**: Sumber daya yang dipertimbangkan, seperti jumlah contoh pelatihan atau iterasi pelatihan.

Makalah dari literatur disurvei dan diklasifikasikan ke dalam kerangka kerja ini. Kerangka kerja ini membantu memahami lanskap model kurva pembelajaran dan penerapannya.

Pendahuluan
Kurva pembelajaran, yang awalnya berasal dari ilmu sosial, telah diadopsi dalam pembelajaran mesin untuk menilai kinerja algoritma relatif terhadap sumber daya seperti contoh pelatihan atau iterasi. Kurva ini penting untuk pengambilan keputusan dalam akuisisi data, penghentian dini, dan pemilihan model. Sebagai contoh, kurva pembelajaran dapat memodelkan kinerja kombinasi algoritma-hyperparameter, memberikan wawasan awal tentang kesesuaiannya dan mempercepat pemilihan algoritma. Berbagai model kurva pembelajaran telah diusulkan: sebagian menjawab pertanyaan biner seperti apakah suatu algoritma pada anggaran tertentu akan melampaui kinerja referensi, sementara yang lain memprediksi seluruh kurva pembelajaran. Survei ini menyumbangkan kerangka kerja yang mengategorikan pendekatan kurva pembelajaran menggunakan tiga kriteria: situasi pengambilan keputusan yang ditangani, pertanyaan intrinsik kurva pembelajaran yang dijawab, dan jenis sumber daya yang digunakan. Para penulis menyurvei literatur dan mengklasifikasikan makalah ke dalam kerangka kerja ini.

Mengapa penting

Para penulis membahas implikasi kerangka kerja mereka bagi praktisi dan peneliti. Kategorisasi ini membantu dalam memilih model kurva pembelajaran yang sesuai untuk situasi pengambilan keputusan tertentu. Kategorisasi ini juga mengidentifikasi area yang memerlukan penelitian lebih lanjut, seperti mengembangkan model yang lebih akurat untuk prediksi kurva penuh dan memperluas kurva pembelajaran ke jenis sumber daya lain. Survei ini menekankan pentingnya kurva pembelajaran dalam alur kerja pembelajaran mesin yang efisien, memungkinkan keputusan awal yang menghemat sumber daya komputasi dan waktu. Kerangka kerja ini menyediakan cara terstruktur untuk membandingkan dan membedakan berbagai pendekatan, memfasilitasi pemilihan metode yang sesuai untuk aplikasi tertentu.

Siapa yang sebaiknya membaca

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten memberโ€ฆ