Fugu-MT 論文翻訳(概要): Data, Trees, and Forests -- Decision Tree Learning in K-12 Education

論文の概要: Data, Trees, and Forests -- Decision Tree Learning in K-12 Education

arxiv url: http://arxiv.org/abs/2305.06442v1
Date: Wed, 10 May 2023 20:24:38 GMT
ステータス: 処理完了
システム内更新日: 2023-05-12 16:47:17.473597
Title: Data, Trees, and Forests -- Decision Tree Learning in K-12 Education
Title（参考訳）: データ,木,森林 ---k-12教育における決定木学習
Authors: Tilman Michaeli and Stefan Seegerer and Lennard Kerber and Ralf Romeike
Abstract要約: K-12教育では、学生は機械学習の中核となるアイデアと原則について学ぶ必要がある。本稿では,概念理解に焦点をあてた遊び心とアクセシブルなアプローチを組み合わせた授業概念を提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: As a consequence of the increasing influence of machine learning on our lives, everyone needs competencies to understand corresponding phenomena, but also to get involved in shaping our world and making informed decisions regarding the influences on our society. Therefore, in K-12 education, students need to learn about core ideas and principles of machine learning. However, for this target group, achieving all of the aforementioned goals presents an enormous challenge. To this end, we present a teaching concept that combines a playful and accessible unplugged approach focusing on conceptual understanding with empowering students to actively apply machine learning methods and reflect their influence on society, building upon decision tree learning.
Abstract（参考訳）: 機械学習が私たちの生活に与える影響の増大に伴い、誰もが対応する現象を理解する能力だけでなく、私たちの世界を形作り、社会への影響について情報的な決定を行う能力も必要です。したがって、k-12教育では、学生は機械学習の核となるアイデアと原則を学ぶ必要がある。しかし、この目標グループにとって、上記すべての目標を達成することは大きな課題となる。そこで,本稿では,概念理解に焦点をあて,学生に積極的に機械学習手法を適用させ,社会への影響を反映させ,決定木学習を基盤とした,遊び心に満ちた無プラグの授業概念を提案する。

関連論文リスト

Education in the Era of Neurosymbolic AI [0.6468510459310326]
我々は,ハイブリッドNAIアーキテクチャの重要な構成要素として,教育エージェントの独特な余裕を生かしたシステムを提案する。我々は,NAI時代の教育によって,学習がよりアクセスしやすく,公平で,現実世界のスキルに適合するものになると結論づける。
論文参考訳（メタデータ） (2024-11-16T19:18:39Z)
The Perceived Learning Behaviors and Assessment Techniques of First-Year Students in Computer Science: An Empirical Study [0.0]
学生は、直接指導が学習する最も効果的な方法であると信じている。評価方法としては、実践的・書面的な試験が好まれる。
論文参考訳（メタデータ） (2024-05-10T08:45:32Z)
Evaluating and Optimizing Educational Content with Large Language Model Judgments [52.33701672559594]
言語モデル(LM)を教育専門家として活用し,学習結果に対する様々な指導の影響を評価する。本稿では,一方のLMが他方のLMの判断を報酬関数として利用して命令材料を生成する命令最適化手法を提案する。ヒトの教師によるこれらのLM生成ワークシートの評価は、LM判定と人間の教師の嗜好との間に有意な整合性を示す。
論文参考訳（メタデータ） (2024-03-05T09:09:15Z)
Causal Reinforcement Learning: A Survey [57.368108154871]
強化学習は、不確実性の下でのシーケンシャルな決定問題の解決に不可欠なパラダイムである。主な障害の1つは、強化学習エージェントが世界に対する根本的な理解を欠いていることである。因果性は、体系的な方法で知識を形式化できるという点で顕著な利点がある。
論文参考訳（メタデータ） (2023-07-04T03:00:43Z)
Worth of knowledge in deep learning [3.132595571344153]
我々は、知識の価値を評価するために、解釈可能な機械学習にインスパイアされたフレームワークを提案する。我々の研究結果は、依存、相乗効果、置換効果を含む、データと知識の複雑な関係を解明する。我々のモデルに依存しないフレームワークは、様々な共通ネットワークアーキテクチャに適用でき、ディープラーニングモデルにおける事前知識の役割を包括的に理解することができる。
論文参考訳（メタデータ） (2023-07-03T02:25:19Z)
Making Sense of Machine Learning: Integrating Youth's Conceptual, Creative, and Critical Understandings of AI [22.128976276465313]
学習者が日々の生活の中で機械学習をどう理解するかを理解するために、さまざまな視点を提示する。機械学習アプリケーションの意味形成が、概念的、創造的、批判的な理解の発達と統合にどのように関与するかについて議論する。
論文参考訳（メタデータ） (2023-05-04T14:00:26Z)
Interpreting Neural Policies with Disentangled Tree Representations [58.769048492254555]
本稿では,コンパクトなニューラルポリシーの解釈可能性について,不整合表現レンズを用いて検討する。決定木を利用して,ロボット学習における絡み合いの要因を抽出する。学習したニューラルダイナミクスの絡み合いを計測する解釈可能性指標を導入する。
論文参考訳（メタデータ） (2022-10-13T01:10:41Z)
A Network Science Perspective to Personalized Learning [0.0]
コンテンツ選択とマルチモーダルなエンゲージメントを提供する学習プラットフォームを用いて,学習目標の達成方法を検討する。このフレームワークは、知識のネットワークによって支持される学習者のエンゲージメントとコンテンツ選択を提供することによって、経験を教えるのではなく、学習経験に注意を向ける。
論文参考訳（メタデータ） (2021-11-02T01:50:01Z)
Personalized Education in the AI Era: What to Expect Next? [76.37000521334585]
パーソナライズ学習の目的は、学習者の強みに合致する効果的な知識獲得トラックをデザインし、目標を達成するために弱みをバイパスすることである。近年、人工知能(AI)と機械学習(ML)の隆盛は、パーソナライズされた教育を強化するための新しい視点を広げています。
論文参考訳（メタデータ） (2021-01-19T12:23:32Z)
Learning with AMIGo: Adversarially Motivated Intrinsic Goals [63.680207855344875]
AMIGoは、Adversarially Motivated Intrinsic Goalsを提案するゴール生成教師である。提案手法は, 提案する目標の自然なカリキュラムを生成し, エージェントが究極的には, 手続き的に生成する課題を解くことができることを示す。
論文参考訳（メタデータ） (2020-06-22T10:22:08Z)
A Review on Intelligent Object Perception Methods Combining Knowledge-based Reasoning and Machine Learning [60.335974351919816]
物体知覚はコンピュータビジョンの基本的なサブフィールドである。最近の研究は、物体の視覚的解釈のインテリジェンスレベルを拡大するために、知識工学を統合する方法を模索している。
論文参考訳（メタデータ） (2019-12-26T13:26:49Z)

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。