Administrativní informace
| Název | Semi-supervised a bez dozoru učení |
| Trvání | 45–60 |
| Modul | C |
| Typ lekce | Přednáška |
| Soustředění | Technické – Budoucí UI |
| Téma | Pokroky v modelech ML prostřednictvím objektivu HC – Studie orientovaná na výsledky |
Klíčová slova
pod dohledem, bez dohledu, s polodohlíženým, sebedohlíženým učením,
Vzdělávací cíle
- Porozumět metodám učení pod dohledem a bez dohledu
- Umět rozlišovat mezi učením s částečným dohledem a učením s vlastním dohledem
Očekávaná příprava
Vzdělávací akce, které mají být dokončeny před
Povinné pro studenty
- Úvod do strojového učení a konceptů hlubokého učení uvedených v předchozích přednáškách
Volitelné pro studenty
Reference a zázemí pro studenty
- Metody strojového učení – Computerphile
- Semi-supervised učení vysvětleno
- FixMatch: Zjednodušení polodohlíženého učení s konzistentností a důvěrou
- Wav2vec: Nejmodernější rozpoznávání řeči prostřednictvím sebedohledu
- Klasifikátor textu SALNET
- Od vize k jazyku: Semi-supervised učení v akci v měřítku
- Self-Training pro rozpoznávání řeči mezi koncovými body
- Co je to sebedohlížené učení?
- Yann LeCun: Temná záležitost inteligence a sebedohledného učení – Lex Fridman Podcast
- Jure Žbontar – Barlow dvojčata: Samodohlížené učení prostřednictvím redundance redukce
- Sebedohlížené učení: Sebepredikce a protikladné učení – Tutoriál, NeurIPS 2021
Doporučeno pro učitele
Žádné.
Materiály pro výuku
Pokyny pro učitele
Cílem této přednášky je zaměřit se na výukové techniky, které nám umožňují vytvářet modely při absenci označených tréninkových dat. Jinými slovy, budování systémů, které se učí více jako lidé. Přednáška by se měla zaměřit na nové přístupy v polodohlížených a sebedohlížených výukových technikách, které snižují nebo odstraňují požadavek na označené datové soubory. Přednáška by měla:
- Shrňte dohlížené a nekontrolované modely strojového učení a jejich omezení
- Vysvětlete pojmy, které stojí za učením s částečným dohledem, a uveďte několik příkladů
- Vysvětlete koncepty učení s vlastním dohledem a uveďte několik příkladů
- Identifikujte a popište vhodné aplikační oblasti a typy problémů pro polodohlížené a sebedohlížené učení
Obrys
| Trvání | Popis | Koncepty | Aktivity | Materiál |
|---|---|---|---|---|
| 10 min | Přehled dohlíženého a nekontrolovaného učení | Údaje označené etiketami, neznačené údaje, klasifikátor, seskupování, snížení rozměrnosti, omezení a problémy (náklady na údaje o označování) | Vyučování a příklady | Přednáškové materiály |
| 10 min | Semi-supervised učení | Definice polodohlíženého učení (učení s omezenými značenými daty), samotářský model, pseudoznačení, úrovně spolehlivosti, společné školení, šíření štítků na základě grafu | Vyučování a příklady | Přednáškové materiály |
| 10 min | Sebedohlížené učení | Definice učení s vlastním dohledem (učení bez označených dat), předtextový úkol, následný úkol, kontrastní učení | Vyučování a příklady | Přednáškové materiály |
| 10 min | Případy použití a oblasti použití | Semi-supervised učení (označování zvuku, klasifikace webového obsahu, klasifikace textových dokumentů), učení s vlastním dohledem (lokalizace patch, predikace pixelů s vědomím obsahu, predikace další věty, automatické modelování jazyka, detekce nenávistné řeči) | Vyučování a příklady | Přednáškové materiály |
| 5 min | Závěr, otázky a odpovědi | Shrnutí | Závěry | Přednáškové materiály |
Potvrzení
Program Human-Centered AI Masters byl spolufinancován Nástrojem Evropské unie pro propojení Evropy v rámci grantu CEF-TC-2020–1 Digitální dovednosti 2020-EU-IA-0068.