Natrénuje model strojového učení a vyhodnotí, jak dobře model funguje.
Komentář:
Pro některé úlohy je vhodnější využít metody strojového učení (machine learning, ML) spíše než klasická algoritmická řešení. Žáci tyto situace rozliší, shromáždí trénovací data, připraví je pro trénink (vyčistí, anotují) a vloží do připraveného nástroje pro natrénování modelu. Následně hodnotí, jak dobře (s jakou chybovostí) model funguje, případně data doplňují a trénink opakují. Žáci využívají připravená prostředí, hotové nástroje nebo knihovny jako jejich uživatelé, metody strojového učení sami neprogramují.
Během této práce získávají zkušenosti například se zpracováním většího množství dat a s jeho úskalími, se vztahem trénovacích dat a kvality výsledného modelu i s procesem hodnocení kvality modelu, dále s řadou obtíží pramenících z toho, že strojové učení nerozumí datům tak jako lidé a dělá jiné druhy chyb.
Metody strojového učení jsou v současnosti nejintenzivněji využívanou i rozvíjenou oblastí umělé inteligence. Zásadním způsobem rozšiřují možnosti využití technologií a mají široké dopady na fungování celé společnosti. Vycházejí z velkých datových souborů a hledají jejich stručnější a zároveň co nejpřesnější reprezentaci, tedy model. Žáci se s tímto konceptem seznámí a díky tomu lépe porozumí fungování nástrojů, které strojové učení využívají. Lépe také pochopí, že výsledné modely (a tím i kvalita jejich výstupů) závisejí na množství a na kvalitě zdrojových dat a kvůli tomu, že jsou založené na pravděpodobnostním modelování a zjednodušování, mohou dávat nepřesné či zcela nesprávné výsledky. S tím se žáci musí naučit vypořádat.
Vyučující postupně vede žáka k tomu, aby:
- připravil trénovací data (sběr, třídění, předzpracování, anotace): zprvu používá již připravená data, poté data samostatně sbírá a základním způsobem je anotuje; třídil nevhodné vzorky a sledoval reprezentativnost,
- rozhodl o použitém nástroji: zprvu podle pokynu učitele, pokud se žák seznámí s různými možnostmi, naučil se také zhodnotit jejich vhodnost pro různé situace a vybírat mezi nimi,
- použil nástroje (natrénování a využití modelu): zprvu podle návodu, posléze samostatně, s využitím dokumentace a pokročilejších možností,
- hodnotil kvalitu modelu: zprvu probíhá základní nahodilá kontrola, později začíná systematicky testovat na vzorcích mimo trénovací data, počítat chybovost, případně rozhoduje o doplnění nebo opakování tréninku (včetně rozhodnutí, jak změnit trénovací data a nastavení učení).
