論文の概要: Utilizing Online and Open-Source Machine Learning Toolkits to Leverage
the Future of Sustainable Engineering
- arxiv url: http://arxiv.org/abs/2304.11175v1
- Date: Fri, 21 Apr 2023 17:50:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-25 20:04:57.118015
- Title: Utilizing Online and Open-Source Machine Learning Toolkits to Leverage
the Future of Sustainable Engineering
- Title（参考訳）: オンラインおよびオープンソース機械学習ツールキットを活用した持続可能なエンジニアリングの未来
- Authors: Andrew Schulz (1), Suzanne Stathatos (2), Cassandra Shriver (3),
Roxanne Moore (1) ((1) School of Mechanical Engineering at Georgia Institute
of Technology, (2) School of Computing and Mathematical Sciences at
California Institute of Technology, (3) School of Biological Sciences at
Georgia Institute of Technology)
- Abstract要約: Edge Impulseは、TinyMLに対応したオープンソースのArduino教育ツールキットを設計した。
本稿では,MLツールキットを教室で活用するために工学教育者が行った様々な応用とアプローチについて論じる。
- 参考スコア（独自算出の注目度）: 8.641860292533023
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Recently, there has been a national push to use machine learning (ML) and
artificial intelligence (AI) to advance engineering techniques in all
disciplines ranging from advanced fracture mechanics in materials science to
soil and water quality testing in the civil and environmental engineering
fields. Using AI, specifically machine learning, engineers can automate and
decrease the processing or human labeling time while maintaining statistical
repeatability via trained models and sensors. Edge Impulse has designed an
open-source TinyML-enabled Arduino education tool kit for engineering
disciplines. This paper discusses the various applications and approaches
engineering educators have taken to utilize ML toolkits in the classroom. We
provide in-depth implementation guides and associated learning outcomes focused
on the Environmental Engineering Classroom. We discuss five specific examples
of four standard Environmental Engineering courses for freshman and
junior-level engineering. There are currently few programs in the nation that
utilize machine learning toolkits to prepare the next generation of ML and
AI-educated engineers for industry and academic careers. This paper will guide
educators to design and implement ML/AI into engineering curricula (without a
specific AI or ML focus within the course) using simple, cheap, and open-source
tools and technological aid from an online platform in collaboration with Edge
Impulse.
- Abstract（参考訳）: 近年、材料科学における高度な破壊力学から土質試験、環境工学分野における水質試験まで、あらゆる分野において、機械学習(ml)と人工知能(ai)を用いた工学技術の進歩を全国的に推進している。
AI、特に機械学習を使用することで、エンジニアは、トレーニングされたモデルやセンサーを介して統計的再現性を保ちながら、処理や人間のラベル付け時間を自動化し、短縮することができる。
Edge Impulseは、TinyMLに対応したオープンソースのArduino教育ツールキットを設計した。
本稿では,工学教育者が教室でmlツールキットを利用するための様々な応用とアプローチについて述べる。
環境工学教室に着目した詳細な実装ガイドと関連する学習結果を提供する。
本稿では,新入生・中学レベルの4つの標準環境工学コースの具体例について述べる。
現在、機械学習ツールキットを使用して、産業や学術のキャリアのために、次世代のMLおよびAI教育エンジニアを準備するプログラムは、国内にはほとんどありません。
本稿は、Edge Impulseと共同でオンラインプラットフォームから、シンプルで安価でオープンソースのツールと技術援助を用いて、ML/AIをエンジニアリングカリキュラム(コース内で特定のAIやMLを使わずに)に設計、実装するよう教育者に指導する。
関連論文リスト
- A Systematic Literature Review on the Use of Machine Learning in Software Engineering [0.0]
本研究は,ソフトウェア工学プロセスに機械学習技術を適用する際の技術の現状を探るため,その目的と研究課題に従って実施された。
レビューでは、ソフトウェア品質保証、ソフトウェア保守、ソフトウェア理解、ソフトウェアドキュメントなど、MLが適用されたソフトウェアエンジニアリングにおける重要な領域を特定している。
論文 参考訳（メタデータ） (2024-06-19T23:04:27Z) - AI in Software Engineering: A Survey on Project Management Applications [3.156791351998142]
機械学習(ML)はデータセットでトレーニングを行うアルゴリズムを採用しており、特定のタスクを自律的に実行することができる。
AIは、特にプロジェクト管理と計画において、ソフトウェアエンジニアリングの分野で大きな可能性を秘めている。
論文 参考訳（メタデータ） (2023-07-27T23:02:24Z) - Physical Computing for Materials Acceleration Platforms [81.09376948478891]
我々は、MAPs研究プログラムの一環として、新しい素材の探索を加速する同じシミュレーションとAIツールが、根本的に新しいコンピュータ媒体の設計を可能にすると論じている。
シミュレーションに基づくMAPプログラムの概要を述べる。
我々は、材料研究者と計算機科学者の革新的なコラボレーションの新たな時代を導入することを期待している。
論文 参考訳（メタデータ） (2022-08-17T23:03:54Z) - Tiny Robot Learning: Challenges and Directions for Machine Learning in
Resource-Constrained Robots [57.27442333662654]
機械学習(ML)は、コンピュータシステムにまたがる普及したツールとなっている。
ティニー・ロボット・ラーニング(Tiny Robot Learning)とは、リソースに制約された低コストの自律ロボットにMLを配置する手法である。
小型ロボット学習は、サイズ、重量、面積、パワー(SWAP)の制約によって困難にさらされる。
本稿では,小型ロボットの学習空間を簡潔に調査し,重要な課題を詳述し,MLシステム設計における将来的な仕事の機会を提案する。
論文 参考訳（メタデータ） (2022-05-11T19:36:15Z) - Enabling Automated Machine Learning for Model-Driven AI Engineering [60.09869520679979]
モデル駆動型ソフトウェアエンジニアリングとモデル駆動型AIエンジニアリングを実現するための新しいアプローチを提案する。
特に、私たちはAutomated MLをサポートし、AI集約システムの開発において、AIの深い知識のないソフトウェアエンジニアを支援します。
論文 参考訳（メタデータ） (2022-03-06T10:12:56Z) - An Experience Report on Machine Learning Reproducibility: Guidance for
Practitioners and TensorFlow Model Garden Contributors [1.177923904173852]
本報告では,最先端の機械学習モデルをモデルガーデンに組み込むのに適した品質で再現するプロセスを定義する。
我々は26人の学生からなるチームでYOLOモデルファミリの実装経験を報告し、開発したツールを共有し、その過程で学んだ教訓を説明する。
論文 参考訳（メタデータ） (2021-07-02T04:32:18Z) - Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。
私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。
当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文 参考訳（メタデータ） (2021-01-11T15:54:48Z) - Technology Readiness Levels for AI & ML [79.22051549519989]
機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。
エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。
我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
論文 参考訳（メタデータ） (2020-06-21T17:14:34Z) - Machine Learning for Software Engineering: A Systematic Mapping [73.30245214374027]
ソフトウェア開発業界は、現代のソフトウェアシステムを高度にインテリジェントで自己学習システムに移行するために、機械学習を急速に採用している。
ソフトウェアエンジニアリングライフサイクルの段階にわたって機械学習の採用について、現状を探求する包括的な研究は存在しない。
本研究は,機械学習によるソフトウェア工学(MLSE)分類を,ソフトウェア工学ライフサイクルのさまざまな段階に適用性に応じて,最先端の機械学習技術に分類するものである。
論文 参考訳（メタデータ） (2020-05-27T11:56:56Z) - Teaching Software Engineering for AI-Enabled Systems [7.01053472751897]
このコースは、機械学習のバックグラウンドを持つ学生にソフトウェア工学のスキルを教える。
コースとインフラストラクチャを説明し、経験を共有し、コースを初めて教えることから得られるすべての材料について説明する。
論文 参考訳（メタデータ） (2020-01-18T15:24:17Z)
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。