在许多数据挖掘和机器学习应用中,获取样本的标签非常困难且耗时,而且有时候成本高昂,因为它们可能需要大量的人工。然而,未标记的样本无处不在,因为它们可以大量且廉价地获得。主动学习尝试选择最不确定、重要的未标记样本进行人工标记,并使用尽可能少的标记样本来训练有效的分类器。因此,主动学习是机器学习和数据挖掘中一种重要的学习范式。在主动学习领域,其关键在于如何选择出合适的未标记样本提交给人工进行标注,而选择的方法就是所谓的选择策略。本文主要研究基于池的主动学习情景下的批处理模式主动学习算法,包括以下两个部分:[1].本文提出了一种主动学习和半监督学习相结合的批处理模式主动学习算法。具体地说,本文充分考虑了未标记样本的信息性和代表性,提出了一个更严格的主动学习风险约束。基于该风险约束,本文推导了批处理模式下主动学习的目标函数。然后,本文提出了一种交替方向乘子法来求解目标函数,该算法本质上是训练一个半监督分类器,并交替选择信息性和代表性的未标记样本提交给人工进行标注。特别地是,为了避免每次查询后重新训练半监督分类器,本文基于路径跟踪技术设计了两个独特的过程,可以从未标记样本集中删除多个查询样本,并将查询样本有效地添加到标记样本集中,直接更新得到新的半监督分类器。在各种基准数据集和真实数据集上的大量实验结果表明,本文的算法不仅比现有的主动学习方法具有更好的泛化性能,而且显示了其显著的效率。[2].本文提出了一种主动学习和强化学习相结合的批处理模式主动学习算法。具体地说,本文利用强化学习去学习主动学习中样本选择的过程,使用深度强化学习的选择策略替代传统主动学习的启发式样本选择策略。本文使用半监督支持向量机作为模型分类器,通过强化学习选取更有价值的样本点来训练模型,提升了算法的准确度。特别地是,在强化学习中,为了加速智能体与环境交互得到新的状态和反馈的奖励,本文提出了一种安全样本筛选规则来加速半监督支持向量机模型的训练。在各种基准数据上的大量实验结果表明,本文的算法可以有效地学习主动学习的选择策略。