論文の概要: Developing Open Source Educational Resources for Machine Learning and Data Science

• arxiv url: http://arxiv.org/abs/2107.14330v1
• Date: Wed, 28 Jul 2021 10:20:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-02 22:03:00.561613
• Title: Developing Open Source Educational Resources for Machine Learning and Data Science
• Title（参考訳）: 機械学習とデータサイエンスのためのオープンソースの教育リソースの開発
• Authors: Ludwig Bothmann (1), Sven Strickroth (2), Giuseppe Casalicchio (1), David R\"ugamer (1), Marius Lindauer (3), Fabian Scheipl (1), Bernd Bischl (1) ((1) Department of Statistics, Ludwig-Maximilians-Universit\"at M\"unchen, Germany, (2) Institute of Computer Science, Ludwig-Maximilians-Universit\"at M\"unchen, Germany, (3) Institute of Information Process, Leibniz University Hannover, Germany)
• Abstract要約: 機械学習(ML)とデータサイエンス(DS)におけるオープン教育資源(OER)の具体的要件について述べる。 オープンソース教育資源(OSER)に繋がるソースファイルを公開することが,これらの分野にとって特に重要である,と我々は主張する。 我々は、OSERがブレンドラーニングのシナリオにどのように使えるのかを概説し、大学教育における私たちの経験を共有する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Education should not be a privilege but a common good. It should be openly accessible to everyone, with as few barriers as possible; even more so for key technologies such as Machine Learning (ML) and Data Science (DS). Open Educational Resources (OER) are a crucial factor for greater educational equity. In this paper, we describe the specific requirements for OER in ML and DS and argue that it is especially important for these fields to make source files publicly available, leading to Open Source Educational Resources (OSER). We present our view on the collaborative development of OSER, the challenges this poses, and first steps towards their solutions. We outline how OSER can be used for blended learning scenarios and share our experiences in university education. Finally, we discuss additional challenges such as credit assignment or granting certificates.
• Abstract（参考訳）: 教育は特権ではなく共通の利益であるべきだ。 機械学習(ML)やデータサイエンス(DS)といった重要な技術に対しては、可能な限り障壁を少なくして、誰でもオープンにアクセスできなければなりません。 オープン・エデュケーション・リソースズ(OER)は、より大きな教育資産にとって重要な要素である。 本稿では,ML と DS における OER の具体的な要件について述べるとともに,オープンソース教育資源 (OSER) に繋がるソースファイルを公開する上で,これらの分野が特に重要であることを論じる。 我々は,oserの協調的開発,その課題,ソリューションへの第一歩について考察する。 我々は,複合学習シナリオにおけるoserの利用について概説し,大学教育における経験を共有する。 最後に、クレジットの割り当てや証明書の付与など、さらなる課題について論じる。

関連論文リスト

• OpenR: An Open Source Framework for Advanced Reasoning with Large Language Models [61.14336781917986]
  大規模言語モデル(LLM)の推論能力を高めるためのオープンソースのフレームワークであるOpenRを紹介する。 OpenRは、データ取得、強化学習トレーニング、非自己回帰デコーディングを凝集性ソフトウェアプラットフォームに統合する。 私たちの研究は、OpenAIのo1モデルのコア技術と強化学習を探求する、オープンソースのフレームワークを初めて提供するものです。
  論文  参考訳（メタデータ） (2024-10-12T23:42:16Z)
• A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models [71.25225058845324]
  大規模言語モデル(LLM)は、言語理解と生成において革命的な能力を示している。 Retrieval-Augmented Generation (RAG)は、信頼性と最新の外部知識を提供する。 RA-LLMは、モデルの内部知識に頼るのではなく、外部および権威的な知識ベースを活用するために登場した。
  論文  参考訳（メタデータ） (2024-05-10T02:48:45Z)
• Is open source software culture enough to make AI a common ? [0.0]
  言語モデル(LM)は人工知能(AI)の分野でますます普及している この疑問は、ユーザコミュニティによって管理され、維持される共通のリソースであるかどうかというものである。 LMを作成するのに必要なデータとリソースをコモンズとして扱うことの潜在的な利点を強調します。
  論文  参考訳（メタデータ） (2024-03-19T14:43:52Z)
• Private Knowledge Sharing in Distributed Learning: A Survey [50.51431815732716]
  人工知能の台頭は多くの産業に革命をもたらし、社会の働き方を変えた。 異なるエンティティが分散または所有する学習プロセスにおいて、情報を活用することが不可欠である。 現代のデータ駆動サービスは、分散知識エンティティを結果に統合するために開発されています。
  論文  参考訳（メタデータ） (2024-02-08T07:18:23Z)
• Adapting Large Language Models for Education: Foundational Capabilities, Potentials, and Challenges [60.62904929065257]
  大規模言語モデル(LLM)は、個々の要求を解釈することでこの問題を解決する可能性を提供する。 本稿では, 数学, 文章, プログラミング, 推論, 知識に基づく質問応答など, 教育能力に関する最近のLLM研究を概観する。
  論文  参考訳（メタデータ） (2023-12-27T14:37:32Z)
• Opening up ChatGPT: Tracking openness, transparency, and accountability in instruction-tuned text generators [0.11470070927586018]
  コードのオープン性、トレーニングデータ、モデルウェイト、RLHFデータ、ライセンス、科学文書、アクセス方法の観点からプロジェクトを評価する。 オープンソース”と自称するプロジェクトのリストが急速に伸びているのに対して、多くのプロジェクトは、疑わしい合法性の文書化されていないデータを継承している。 オープン性の度合いは、あらゆる点で公平性と説明責任に関係している。
  論文  参考訳（メタデータ） (2023-07-08T07:08:20Z)
• Can We Trust AI-Generated Educational Content? Comparative Analysis of Human and AI-Generated Learning Resources [4.528957284486784]
  大規模言語モデル(LLMs)は、大規模に学習教材を迅速に作成する上で、有望なソリューションを提供するように見える。 学習指導活動の一環として,LLMが生み出す資源の質と学生が生み出す資源の質を比較した。 その結果、学生が認識するAI生成リソースの品質は、同僚が生成するリソースの品質と同等であることがわかった。
  論文  参考訳（メタデータ） (2023-06-18T09:49:21Z)
• A Survey of Machine Unlearning [56.017968863854186]
  最近の規制では、要求に応じて、ユーザに関する個人情報をコンピュータシステムから削除する必要がある。 MLモデルは古いデータをよく記憶します。 機械学習に関する最近の研究は、この問題を完全に解決することはできなかった。
  論文  参考訳（メタデータ） (2022-09-06T08:51:53Z)
• OpenFed: A Comprehensive and Versatile Open-Source Federated Learning Framework [5.893286029670115]
  エンド・ツー・エンドのフェデレート・ラーニングのためのオープンソース・ソフトウェア・フレームワークであるOpenFedを提案する。 研究者にとって、OpenFedは、新しいメソッドを簡単に実装し、十分に評価できるフレームワークを提供する。 下流のユーザのために、OpenFedはFederated Learningをプラグインして、異なるテーマ・マッターコンテキストでプレイすることを可能にする。
  論文  参考訳（メタデータ） (2021-09-16T10:31:59Z)
• Extracting Topics from Open Educational Resources [0.0]
  本稿では,テキストマイニング手法を適用したOERトピック抽出手法を提案し,トピック分布に関する高品質なOERメタデータを生成する。 1)データサイエンス関連のスキルの分野でCourseraとKhan Academyから123の講義を収集し、2)これらのスキルに関連する既存のトピックを抽出するためにLDA(Latent Dirichlet Allocation)を適用し、3)特定のOERがカバーするトピック分布を定義する。
  論文  参考訳（メタデータ） (2020-06-19T12:50:55Z)
• Explore, Discover and Learn: Unsupervised Discovery of State-Covering Skills [155.11646755470582]
  情報理論的スキル発見の代替手法として,'Explore, Discover and Learn'(EDL)がある。 本稿では,EDLがカバレッジ問題を克服し,学習スキルの初期状態への依存を減らし,ユーザが学習すべき行動について事前定義できるようにするなど,大きなメリットがあることを示す。
  論文  参考訳（メタデータ） (2020-02-10T10:49:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。