natrénuje model strojového učení
Komentář
Pro některé úlohy je vhodnější využít metody strojového učení spíše než klasická algoritmická řešení. Žák tyto situace rozliší, shromáždí trénovací data, připraví je pro trénink (vyčistí, anotuje) a vloží do připraveného nástroje pro natrénování modelu. Následně hodnotí, jak dobře (s jakou chybovostí) model funguje, případně data doplní a trénink opakuje. Žák využívá připravená prostředí, hotové nástroje nebo knihovny jako jejich uživatel, metody strojového učení sám neprogramuje.
Během této práce získává 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 zásadním způsobem rozšiřují možnosti využití technologií a mají široké dopady na fungování celé společnosti. Vycházejí z velkých datových souborů, jsou základem mnoha aplikací umělé inteligence. Žáci se s tímto konceptem seznámí a díky tomu lépe porozumějí fungování nástrojů, které strojové učení využívají. Lépe také pochopí, že výsledné modely (a tím i kvalita jejich výstupů) závisí 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.
Hodnoty
- Sdílené poznání
- Zdravá planeta
- Podporující technologie
- Důstojný život
Postupné/dílčí kroky dosahování očekávaného výsledku učení:
- příprava trénovacích dat (sběr, třídění, předzpracování, anotace): zprvu použití již připravených dat, poté samostatný sběr a základní anotace, třídění nevhodných vzorků a sledování reprezentativnosti
- rozhodnutí o použitém nástroji: zprvu podle pokynu učitele, pokud se žák seznámí s různými možnostmi, naučí se také zhodnotit jejich vhodnost pro různé situace a vybírat mezi nimi
- použití nástroje (natrénování a využití modelu): zprvu podle návodu, posléze samostatně, s využitím dokumentace a pokročilejších možností
- hodnocení kvality modelu: základní nahodilá kontrola, systematické otestování na vzorcích mimo trénovací data, kvantitativní hodnocení chybovosti a případné rozhodnutí o doplnění nebo opakování tréninku (včetně rozhodnutí, jak změnit trénovací data a nastavení učení)