Interaktywne uczenie maszynowe 1000-2M21IUM
Najważniejsze tematy poruszane w czasie zajęć
1. Aktywne uczenie
2. Wybór przykładów do efektywnego uczenia modeli
3. Metody aktualizacji modeli
4. Batchowe aktywne uczenie
a. Zapewnienie różnorodności batcha
b. Miary reprezentatywności przykładów
5. Optymalizacja doboru przykładów dla ekspertów
6. Metody osiągania konsensusu etykiet
7. Niepewność modeli jako informatywność
8. Dryft pojęć oraz interaktywna adaptacja modeli
9. Interaktywne odkrywanie anomalii w danych
10. Counterfactual explanations w kontekście redukcji niepewności
11. Semi-supervised learning - używanie modelu do wygenerowania danych uczących na nieoznaczonym kawałku zbioru
12. Interaktywna inżynieria cech
13. Wizualna eksploracja danych
14. Wybrane zagadnienia z dziedziny life-long learning
Rodzaj przedmiotu
Wymagania (lista przedmiotów)
Założenia (lista przedmiotów)
Koordynatorzy przedmiotu
Efekty kształcenia
Po zakończeniu kursu uczestnicy posiądą szeroką wiedzę na temat technik aktywnego uczenia oraz interaktywnego konstruowania modeli ML. W szczególności:
Wiedza i umiejętności:
1. Znają najważniejsze techniki AL.
2. Znają podstawowe metody wyboru podzbioru instancji danych do etykietowania.
3. Znają podstawowe techniki uaktualniania modeli ML w oparciu o nowe dane.
4. Potrafią ewaluować skuteczność technik AL.
5. Znają podstawowe metody ustalania konsensusu przy etykietowaniu instancji danych przez wielu ekspertów.
6. Znają podstawowe techniki identyfikowania anomalii w danych.
7. Znają techniki interaktywnej eksploracji danych oraz wizualnej analizy danych.
8. Zna najważniejsze aktualne trendy w dziedzinie aktywnego uczenia.
Kompetencje:
1. Potrafią przygotować raport z badania efektywności systemu aktywnego uczenia.
2. Potrafią zaprezentować wyniki analizy danych.
3. Potrafią zaprojektować system pozyskiwania wiedzy od ekspertów dziedzinowych w celu trenowania oraz uaktualniania modeli predykcyjnych.
Kryteria oceniania
Ocena końcowa jest ustalana podstawie sumy punktów z laboratorium i egzaminu.
Dodatkowo, studenci szkoły doktorskiej mogą zaliczać przedmiot przez przygotowanie specjalnego projektu związanego z praktycznym wykorzystaniem AL.
Literatura
1. B. Settles: Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning, Morgan & Claypool Publishers 2012
2. Y. Xu, F. Sun, X. Zhang: Literature survey of active learning in multimedia annotation and retrieval. In Proceedings of the Fifth International Conference on Internet Multimedia Computing and Service (ICIMCS '13). ACM, New York, NY, USA, 237–242. 2013.
3. S.-J. Huang, R. Jin, and Z.-H. Zhou. Active learning by querying informative and representative examples. IEEE Transactions on Pattern Analysis and Machine Intelligence, 36(10):1936–1949, Oct. 2014.
4. S. Sinha, S. Ebrahimi, and T. Darrell. Variational adversarial active learning. In 2019 IEEE/CVF International Conference on Computer Vision (ICCV). IEEE, Oct. 2019.
5. R. Khan, M. Gubanov: WebLens: Towards Interactive Large-scale Structured Data Profiling CIKM 2020
6. H. H. Aghdam, A. Gonzalez-Garcia, A. Lopez, and J. Weijer. Active learning for deep detection neural networks. In 2019 IEEE/CVF International Conference on Computer Vision (ICCV). IEEE, Oct. 2019.
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: