PyTorch主动学习 常见的主动学习方法库包括： 环环相扣的机器学习罗伯特·蒙罗（Robert Munro） 曼宁出版物 该代码是独立的，可以与本书一起使用。 库中的主动学习方法 该代码当前包含用于以下目的的方法： 最低置信度抽样 置信度抽样 置信度采样率 熵（分类熵） 基于模型的离群抽样 基于聚类的采样 代表性抽样 自适应代表性抽样 主动转移学习以进行不确定性采样 主动转移学习以进行代表性抽样 自适应采样的主动转移学习（ATLAS） 本书介绍了如何在计算机视觉和自然语言处理中将它们独立地，组合地应用以及用于不同的用例。 它还涵盖了针对现实世界多样性进行抽样以避免偏见的策略。 安装： 如果您克隆此仓库并且已经安装了PyTorch，则应该能够立即开始： git clone https://github.com/rmunro/pytorch_active_learning cd

ASReview：积极学习系统评价 系统评价是研究中的“头等大事”。 在许多学术领域，科学研究的数量呈指数增长。 进行合理的系统检查是一项耗时且有时无聊的任务。 我们的软件旨在加快筛选摘要和标题的步骤，使几乎没有假阴性的人阅读的论文最少。 系统评价的主动学习（ASReview）项目实现了以交互方式查询研究者的机器学习算法。 这种交互式机器学习的方式称为。 ASReview提供对经典学习算法和最新学习算法（例如神经网络）的支持。 ASReview软件实现两种不同的模式： ASReview实验室 :crystal_ball: 这种方式可用于与审阅者互动进行系统的审阅（主动学习文献中的“预言”）。 该软件将论文提交给审稿人，然后审稿人对其进行分类。 请参阅 。 模拟 :chart_increasing: 模拟方式用于根据完全标记的系统评价的结果来衡量主动学习软件的性能。 要使用仿真模式，强烈要求您具备编程和bash /命令提示方面的知识。 安装 ASReview软件需要Python 3.6+。 和用户可以使用安装Python和ASReview的详细分步说明。 该项目在上。 使用安装项

为提高机器人的抓取能力，实现非结构化环境中的物体定位、识别和抓取，提出了一种定位识别算法，旨在使用机器人已观察到的结果来预测未经测试的抓取的工作过程。为验证算法的精确性，利用重复抓取动作时的实际数据进行对比分析与验证。结果表明，文中提出的定位识别技术具有较高的准确性，能为高效执行抓取任务提供依据，在机器人灵敏操控方面具有积极作用。

weka输入有固定的格式，必须按照格式输入数据weka才能执行。因此，我们提供了weka样式，方便用户进行实验。

总共包含三个源代码：随机取样train_test_split.py，数据均衡smote.py，主动学习activePool.py。代码用python编写，下载即可使用。

协同训练是半监督的一个很好的范例，它要求用两个特征视图来描述数据集。 许多协同训练算法都有一个显着的特征：应以高置信度预测所选的未标记实例，因为高置信度得分通常表示相应的预测是正确的。 不幸的是，使用这些高置信度未标记实例并不总是能够提高分类性能。 本文提出了一种新的半监督学习算法，结合了联合训练和主动学习的优点。 该算法根据高置信度和最近邻两个准则应用协同训练来选择最可靠的实例，以提高分类器的性能，并利用具有人类注释能力的信息量最大的实例来提高分类性能。 在几个UCI数据集和自然语言处理任务上进行的实验表明，我们的方法在牺牲相同的人工量的情况下实现了更显着的改进。

线性回归预测matlab代码MGP 这是“边际 GP” (MGP) 的MATLAB实现，如下所述： Garnett, R.、Osborne, M. 和 Hennig, P. 高斯过程线性嵌入的主动学习。 (2014)。 第 30 届人工智能不确定性会议（UAI 2014）。 假设我们有一个关于潜在函数的高斯过程模型： 模型的超参数在哪里。 假设我们有一个观测数据集和一个测试点。 此函数返回相关观察值和潜在函数值的近似边际预测分布的均值和方差： 我们已经边缘化了超参数。 笔记 此代码仅适用于 GP 回归！ 假设具有高斯观测似然的精确推断。 MGP 近似要求提供的超参数是 MLE 超参数： 或者，如果使用超参数优先，则 MAP 超参数： 此函数不执行最大化，而是假设给定的超参数表示 。 依赖关系 此代码可与 GPML MATLAB 工具箱互操作，可在此处获得： GPML 工具箱必须位于您的 MATLAB 路径中，此函数才能工作。 此函数还依赖于gpml_extensions存储库，可在此处获得： 这也必须在您的 MATLAB 路径中。 用法 mgp.m的用法与 GPML 工具包中预测模式下

让学生主动学习.docx

基于半监督K-means的主动学习聚类算法 ，孙凯，孟祥武，针对K-means算法对初始聚类中心敏感，针对不规则聚类簇效果较差的缺点，提出了一种基于半监督K-means的主动学习算法。为了针对指定的k

集体教学中促进幼儿主动学习的策略研究.doc