Pridobivanje in uporaba metaznanja za učinkovitejšo izbiro učnih primerov

magistrsko delo

Benjamin Fele (Avtor), Danijel Skočaj (Mentor)

Povzetek

Področje umetne inteligence je bilo v svoji zgodovini večkrat navdahnjeno s človeško kognicijo. V tem magistrskem delu vzamemo visokonivojski pogled na metakognicijo in implementiramo sistem s podobnimi karakteristikami. Naša motivacija za to je dveh vrst: prva izhaja iz želje po prispevku k metodam strojnega učenja, natančneje polnadzorovane klasifikacije, druga pa iz možnosti primerjave učenja ljudi in umetnih sistemov. Naš sistem skladno z literaturo razdelimo na objektni in meta del, pri čemer s prvim rešujemo klasifikacijski problem, z drugim pa z določanjem pragov prepričanosti v napovedi izbiramo učne primere glede na znanje prvega. Podobno kot pri ljudeh se tudi v našem sistemu učnih strategij naučimo skozi nabiranje znanja o reševanju problema, za kar uporabimo spodbujevalno učenje. Pri načrtovanju našega sistema je eno izmed pomembnih vodil splošnost, zaradi česar eksperimente izvedemo z variiranjem arhitektur klasifikatorjev (nevronskih mrež) in podatkovnih zbirk. Sistem učimo tako od začetka, kot tudi s prenosom znanja z enega problema na drugega. Pridobimo mešane rezultate, ki so v največji meri odvisni od učinkovitosti našega pristopa k polnadzorovanemu učenju. Ob primerjavi naše metode z »naivnimi« pristopi dobimo največ 1 % slabše, pogosto pa tudi boljše rezultate kot pri uporabi pragov, najdenih z naključnim iskanjem. S prenosom učnih strategij iz enega problema na drugega za 80 % zmanjšamo čas, potreben za rešitev problema izbire učnih primerov ter dobimo primerljive rezultate kot pri učenju od začetka. Z našim delom pokažemo, da se je v danem okviru učnega načrta mogoče naučiti in da le-ta pohitri učenje, ter da je izbira učnih primerov z uporabo metaznanja eden od učinkovitih pristopov za uspešno učenje klasifikatorjev. Naštete lastnosti so tudi ključne podobnosti implementiranega sistema s človeškim učenjem.

Ključne besede

klasifikacija;metakognicija;metaučenje;polnadzorovano učenje;prenos znanja;spodbujevalno učenje;učni načrt;

Podatki

Jezik:	Slovenski jezik
Leto izida:	2020
Tipologija:	2.09 - Magistrsko delo
Organizacija:	UL PEF - Pedagoška fakulteta
Založnik:	[B. Fele]
UDK:	159.9(043.2)
COBISS:	29757699
Št. ogledov:	332
Št. prenosov:	57
Ocena:	0 (0 glasov)
Metapodatki:

Ostali podatki

Sekundarni jezik:	Angleški jezik
Sekundarni naslov:	Acquisition and use of meta-knowledge for more efficient training sample selection
Sekundarni povzetek:	The field of artificial intelligence has been throughout its history repeatedly inspired by human cognition. In this master’s thesis, we take a high-level view of meta-cognition and implement a system with similar characteristics. Our motivation for this is of two kinds: the first stems from the desire to contribute to machine learning methods, more specifically semi-supervised classification, and the second from the ability to compare human learning and artificial systems. According to the literature, our system is divided into object and meta parts, with the former solving the classification problem, and the latter selecting learning examples based on its knowledge by determining the appropriate confidence thresholds. Similarly to humans, we learn learning strategies in our system through the accumulation of knowledge about solving a particular problem, for which we use reinforcement learning. While designing our system, one of the important guidelines is generality, which is why we perform experiments by varying the architectures of classifiers (neural networks) and datasets. We train the system both from the beginning and by transferring knowledge from one problem to another. We obtain mixed results that depend largely on the effectiveness of our approach to semi-supervised learning. When comparing our method with “naïve” approaches, we get at most 1% worse, but often better results than using confidence thresholds found by random search. By transferring learning strategies from one problem to another, we reduce the time required to solve the sample selection problem by 80% and obtain comparable results as when learning from the beginning. Our work shows that it is possible to learn a curriculum within a given framework, that it accelerates learning and that the selection of learning samples using meta-knowledge is one of the effective approaches for successful classifier training. The listed properties are also key similarities of the implemented system when compared to human learning.
Sekundarne ključne besede:	cognitive psychology;kognitivna psihologija;
Vrsta datoteke:	application/pdf
Vrsta dela (COBISS):	Magistrsko delo/naloga
Komentar na gradivo:	Univ. v Ljubljani, Pedagoška fak., Skupni interdisciplinarni program druge stopnje Kognitivna znanost, v sodelovanju z Universität Wien, Univerzita Komenského v Bratislave in Eötvös Loránd Tudományegyetem
Strani:	68 str.
ID:	12042635