نهج في التعلم الآلي حيث يختار الخوارزمي نقاط البيانات الأكثر إفادة للتعلم منها، مما يحسن الكفاءة.التعلم النشط هو فرع من فروع التعلم الآلي حيث يختار الخوارزمي نفسه نقاط البيانات التي يجب تصنيفها أو الاستعلام عنها من مجموعة من البيانات غير المصنفة. بدلاً من التعلم السلبي من مجموعة تدريب ثابتة وعشوائية العينات، يختار النموذج بشكل تكراري الأمثلة الأكثر إفادة لطلب تصنيفاتها، بهدف تحقيق دقة عالية بأقل عدد ممكن من الأمثلة المصنفة. هذا الأمر ذو قيمة خاصة عندما يكون تصنيف البيانات مكلفًا أو مستهلكًا للوقت، كما في التصوير الطبي، أو اكتشاف الأدوية، أو معالجة اللغة الطبيعية، حيث يكون التعليق الخبير مكلفًا.
تعود جذور التعلم النشط إلى الثمانينيات والتسعينيات من القرن العشرين، مع عمل أساسي قام به ديفيد كوهن وليز أطلس وريتشارد لادنر في عام 1994 حول 'تحسين التعميم من خلال التعلم النشط'. يعود مفهوم الاستعلام عن نقاط البيانات المفيدة إلى أعمال سابقة في الإحصاء وتصميم التجارب.
تبدأ العملية عادةً بمجموعة صغيرة من البيانات المصنفة لتدريب نموذج أولي. ثم يقوم النموذج بتقييم مجموعة البيانات غير المصنفة ويختار النقاط الأكثر إفادة وفقًا لاستراتيجية استعلام. تشمل الاستراتيجيات الشائعة أخذ العينات بعدم اليقين (اختيار النقاط التي يكون فيها النموذج أقل ثقة)، والاستعلام عبر اللجنة (اختيار النقاط التي تختلف فيها نماذج متعددة)، والتغير المتوقع في النموذج (اختيار النقاط التي من شأنها أن تغير النموذج الحالي أكثر إذا تم تصنيفها). يتم تصنيف النقاط المختارة (بواسطة إنسان أو أوراكل آلي) وإضافتها إلى مجموعة التدريب، ويتم إعادة تدريب النموذج. تتكرر هذه الحلقة حتى يتم استيفاء معيار توقف، مثل حد أدنى للأداء أو ميزانية تصنيف.
يُستخدم التعلم النشط في التطبيقات التي تكون فيها البيانات المصنفة نادرة أو مكلفة، مثل تصنيف الأجرام الفلكية من مسوحات التلسكوب، واكتشاف الاحتيال في المعاملات المالية، وتدريب أنظمة التعرف على الكلام بكمية محدودة من الصوتيات المكتوبة.
يمكن للتعلم النشط أن يقلل كمية البيانات المصنفة المطلوبة بنسبة تصل إلى 90% مقارنة بالعينات العشوائية في بعض المهام، مما يجعله أداة رئيسية للتطوير الفعال للذكاء الاصطناعي.


















