Administrativne informacije
| Naslov | Polunadzorno i nenadzirano učenje |
| Trajanje | 45 – 60 |
| Modul | C |
| Vrsta lekcija | Predavanje |
| Fokus | Tehnička – buduća umjetna inteligencija |
| Tema | Napredak u ML modelima kroz HC objektiv – Rezultat orijentirana studija |
Ključne riječi
nadzirano, nenadzirano, polunadzorno, samostalno nadzirano učenje,
Ciljevi učenja
- Razumjeti nadzirane i nenadzirane metode učenja
- Biti u stanju razlikovati između polunadzornog učenja i samostalnog učenja
Očekivana priprema
Edukativni događaji koji će biti završeni prije
Obvezno za studente
- Uvod u koncepte strojnog učenja i dubokog učenja dane u prethodnim predavanjima
Neobvezno za studente
Preporuke i pozadina za studente
- Metode strojnog učenja – Computerphile
- Djelomično nadzirano učenje
- FixMatch: Pojednostavljenje polu-nadzornog učenja s dosljednošću i povjerenjem
- Wav2vec: Najsuvremenije prepoznavanje govora putem samonadzora
- SALNET klasifikator teksta
- Od vizije do jezika: Polunadzorno učenje na djelu na ljestvici
- Samoosposobljavanje za priznavanje govora s kraja na kraj
- Što je samokontrolirano učenje?
- Yann LeCun: Tamno pitanje inteligencije i samokontroliranog učenja – Lex Fridman Podcast
- Jure Žbontar – Barlow Twins: Samostalno nadziranje učenja putem redukcijskog smanjenja
- Samostalno nadziranje učenja: Self-Prediction and Contrastive Learning – Tutorial, NeurIPS 2021
Preporučeno nastavnicima
Nijedan.
Nastavni materijali
Upute za učitelje
Cilj ovog predavanja je usredotočiti se na tehnike učenja koje nam omogućuju izgradnju modela u nedostatku označenih podataka o treningu. Drugim riječima, izgradnja sustava koji uče više kao ljudi. Predavanje bi trebalo biti usmjereno na nove pristupe u polunadziranim i samonadziranim tehnikama učenja koje smanjuju ili uklanjaju zahtjev za označenim skupovima podataka. Predavanje bi trebalo:
- Sažeti nadzirane i nenadzirane modele strojnog učenja i njihova ograničenja
- Objasnite koncepte polunadzornog učenja i navedite neke primjere
- Objasnite koncepte samostalnog učenja i navedite neke primjere
- Identificirati i opisati odgovarajuća područja primjene i vrste problema za polunadzirano i samostalno nadzirano učenje
Nacrt
| Trajanje | Opis | Koncepti | Aktivnost | Materijal |
|---|---|---|---|---|
| 10 min | Pregled nadziranog i nenadziranog učenja | Označeni podaci, neoznačeni podaci, klasifikacija, grupiranje, smanjenje dimenzionalnosti, ograničenja i problemi (trošak podataka o označivanju) | Podučavanje sesije i primjeri | Materijali za predavanja |
| 10 min | Polunadzirano učenje | Definicija polunadzornog učenja (učenje s ograničenim označenim podacima), model samoosposobljavanja, pseudooznačavanje, razine pouzdanosti, zajedničko osposobljavanje, širenje oznaka na temelju grafova | Podučavanje sesije i primjeri | Materijali za predavanja |
| 10 min | Samostalno nadzirano učenje | Definicija samostalnog učenja (učenje bez označenih podataka), pripremni zadatak, zadatak prema dolje, kontrastno učenje | Podučavanje sesije i primjeri | Materijali za predavanja |
| 10 min | Slučajevi uporabe i područja primjene | Polunadzorno učenje (označivanje audiozapisa, klasifikacija internetskog sadržaja, klasifikacija tekstualnih dokumenata), samonadzirano učenje (lokalizacija hvatanja, predikatiranje piksela svjesnog sadržaja, predikacija sljedeće rečenice, autoregresivno modeliranje jezika, otkrivanje govora mržnje) | Podučavanje sesije i primjeri | Materijali za predavanja |
| 5 min | Zaključak, pitanja i odgovori | Sažetak | Zaključci | Materijali za predavanja |
Priznanja
Diplomski studij umjetne inteligencije usmjeren na čovjeka sufinanciran je Instrumentom za povezivanje Europe Europske unije u okviru bespovratnih sredstava CEF-TC-2020 – 1 Digital Skills 2020-EU-IA-0068.