سمیه زارع - دانشجو کارشناسی ارشد، گروه مهندسی کامپیوتر، دانشگاه غیرانتفاعی اپادانا، شیراز ، ایرا ن
رضیه طهماسبی - دانشجوکارشناسی ارشد، گروه مهندسی کامپیوتر، دانشگاه غیرانتفاعی اپادانا، شیراز ، ایرا ن
ارزو افراطی - دانشجوکارشناسی ارشد، گروه مهندسی کامپیوتر، دانشگاه غیرانتفاعی اپادانا، شیراز ، ایرا ن

یادگیری ماشین learning machine در برنامه های کاربردی با داده های زیاد و فشرده بسیار موفقیت آمیز عمل کرده میکند، اما برای داده های کوچک و یا کم دچار مشکل میشود. که برای حل این قضیهlearning shot-few پیشنهاد میشود. در واقع fsl با استفاده از دانش قبلی میتواند به سرعت به وظایف جدید که فقط شامل چند نمونه از اطلاعات نظارت شده است تعمیم دهد. در این مقاله به یک بررسی کامل برای درک بهتر fsl میپردازیم که در آن با یک تعریف رسمی از fsl شروع میکنیم که fsl را از چندین مشکل یادگیری ماشین متمایز میکند سپس به موضوع اصلی که حداقل رساندن ریسک تجربی غیرقابل اعتماد میباشد میپردازیم. در اینجا روش های fsl را از سه جهت دسته بندی میکنیم: ۱ -Data : کدام داده از دانش قبلی استفاده میکند و تجربه نظارت شده را افزایش میدهد ۲ -Model :کدام مدل از دانش قبلی برای کاهش اندازه فضای فرضیه استفاده میکند. ۳ -Algorithm کدام الگوریتم از دانش قبلی برای تغییر جستجو برای پیدا کردن فرضیه در بین فضاهای فرضیه داده شده استفاده میکند براساس این دسته بندی مزایا و معایب هر دسته را مورد بحث قرار میدهیم.

آموزش چند شات، آموزش تک شات، آموزش کم شات، نمونه کوچک یادگیری، فرا یادگیری، دانش قبلی