natrénuje model strojového učení
Popis a zdůvodnění
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
- Respektování potřeb planety
- Podpora udržitelných technologií a inovací
- Důstojný život pro všechny
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)