分類のための半教師あり学習、能動学習、および深層学習

すべてのリソースが更新された最終編集：

プロジェクトでは、機械学習アルゴリズムを分類に適用しています。

課題： 非常に限られたラベル付きデータと、より多くのラベルなしデータ。

目標：

1. 半教師付き分類を適用する
2. 何らかの方法で半教師付きのラベル付けプロセスを適用します（アクティブラーニングとして知られています）

EM、Transductive SVM、S3VM（Semi Supervised SVM）の適用、またはLDAの使用など、研究論文から多くの情報を見つけました。このトピックに関する本はほとんどありません。

質問： 実装と実際のソースはどこにありますか？

最終更新（mpiktas、bayer、およびDikran Marsupialが提供するヘルプに基づく）

半教師付き学習：

• TSVM：SVMligthおよびSVMlinで。
• PythonのEM Naive Bayes
• LinePipeプロジェクトのEM

能動的学習：

• Dualist：テキスト分類に関するソースコードを使用した能動学習の実装
• このWebページは、アクティブラーニングの素晴らしい概要を提供しています。
• 実験的なデザインワークショップ：ここ。

深層学習：

• ここで紹介ビデオ。
• 一般サイト。
• スタンフォード教師なし機能学習および深層学習チュートリアル。

ディープラーニングはあなたにとって非常に興味深いかもしれません。これは、教師なしの方法で事前にトレーニングされ、後で監督によって微調整された、ディープコネクショニストモデルのごく最近の分野です。微調整では、事前トレーニングよりも必要なサンプルがはるかに少なくなります。

舌を濡らすには、[Semantig Hashing Salakhutdinov 、Hintonをお勧めします。ロイターコーパスの個別のドキュメントについて見つけたコードを見てください：（監視なし！）

コードを実装する必要がある場合は、deeplearning.netをチェックしてください。しかし、すぐに使えるソリューションがあるとは思いません。

Isabelle Guyon（および同僚）は、しばらく前にアクティブラーニングに関する課題を組織しました。手順はここに公開されています（オープンアクセス）。これには非常に実用的であるという利点があり、公平な（口語的な意味で）プロトコルの下でさまざまなアプローチのパフォーマンスを直接比較できます（パターンのランダムな選択は驚くほど難しいです）。

ここにライブラリの素晴らしいリストがあります。

http://www.infoworld.com/article/2608742/predictive-analytics/5-ways-to-add-machine-learning-to-java--javascript--and-more.html