Active Learning – model wskazuje dane, które człowiek powinien dla niego zaetykietować.

Jest to metoda w uczeniu maszynowym, w której model sam wybiera najbardziej wartościowe próbki danych do ręcznego oznakowania przez człowieka. Dzięki temu proces etykietowania jest zoptymalizowany, ponieważ koncentruje się na przykładach, które przyniosą największą korzyść w poprawie jakości i dokładności modelu. W praktyce oznacza to, że system aktywnie uczestniczy w procesie uczenia, wskazując te elementy zbioru danych, dla których nie jest jeszcze do końca pewny swojej predykcji.

Podejście to jest szczególnie przydatne w sytuacjach, gdy etykietowanie danych jest kosztowne lub czasochłonne, a dysponujemy dużą ilością nieoznakowanych przykładów. Model iteracyjnie analizuje dostępne dane, wybierając podzbiór, nad którym człowiek powinien się skupić, co prowadzi do szybszego uzyskania wysokiej jakości systemu uczącego się. W konsekwencji aktywne uczenie może znacząco zmniejszyć wymagania dotyczące liczby ręcznie oznaczonych danych, przy zachowaniu lub nawet poprawie wyników modelu.