論文の概要: MachineLearnAthon: An Action-Oriented Machine Learning Didactic Concept
- arxiv url: http://arxiv.org/abs/2401.16291v1
- Date: Mon, 29 Jan 2024 16:50:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-30 14:03:26.964140
- Title: MachineLearnAthon: An Action-Oriented Machine Learning Didactic Concept
- Title（参考訳）: MachineLearnAthon: アクション指向機械学習の実践的概念
- Authors: Michal Tk\'a\v{c}, Jakub Sieber, Lara Kuhlmann, Matthias Brueggenolte,
Alexandru Rinciog, Michael Henke, Artur M. Schweidtmann, Qinghe Gao,
Maximilian F. Theisen, Radwa El Shawi
- Abstract要約: 本稿では、異なる分野の学生に包括的にデザインされた革新的教科概念であるMachineLearnAthonフォーマットを紹介する。
この概念の核心はMLの課題であり、現実の問題を解決するために産業用データセットを利用している。
これらはMLパイプライン全体をカバーするもので、データ準備からデプロイメント、評価に至るまで、データのリテラシーと実践的なスキルを促進する。
- 参考スコア（独自算出の注目度）: 34.6229719907685
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Machine Learning (ML) techniques are encountered nowadays across disciplines,
from social sciences, through natural sciences to engineering. The broad
application of ML and the accelerated pace of its evolution lead to an
increasing need for dedicated teaching concepts aimed at making the application
of this technology more reliable and responsible. However, teaching ML is a
daunting task. Aside from the methodological complexity of ML algorithms, both
with respect to theory and implementation, the interdisciplinary and empirical
nature of the field need to be taken into consideration. This paper introduces
the MachineLearnAthon format, an innovative didactic concept designed to be
inclusive for students of different disciplines with heterogeneous levels of
mathematics, programming and domain expertise. At the heart of the concept lie
ML challenges, which make use of industrial data sets to solve real-world
problems. These cover the entire ML pipeline, promoting data literacy and
practical skills, from data preparation, through deployment, to evaluation.
- Abstract（参考訳）: 機械学習(ML)技術は、近年、社会科学から自然科学、工学まで、様々な分野にまたがっている。
MLの幅広い応用と進化の加速は、この技術のより信頼性と責任性を高めることを目的とした専用の教育概念の必要性を増す。
しかし、MLを教えるのは大変な仕事です。
MLアルゴリズムの方法論的複雑さとは別に、理論と実装に関して、分野の学際的および経験的な性質を考慮する必要がある。
本稿では,数学,プログラミング,ドメインの専門知識が異質な分野の学生を包括する,革新的なディダクティックな概念である machinelearnathon format を紹介する。
コンセプトの中心は、実世界の問題を解決するために産業用データセットを使用するmlチャレンジである。
これらはmlパイプライン全体をカバーし、データリテラシーと実践的なスキルを、データ準備からデプロイメント、評価まで促進する。
関連論文リスト
- ICE-T: A Multi-Faceted Concept for Teaching Machine Learning [2.9685635948300004]
我々は、コンピュータサイエンスの教育に使用される実践的原則を考察し、基準を定義し、既存の著名なプラットフォーム、ツール、ゲームの選択を評価します。
我々は、主にブラックボックスとして機械学習を描写するアプローチを批判し、結果としてデータ、アルゴリズム、モデルを理解することに重点を置いていない。
本稿では、既知の教義の延長として、モーダル間移動、計算、説明的思考、ICE-Tについて述べる。
論文 参考訳（メタデータ） (2024-11-08T09:16:05Z) - Towards Trustworthy Machine Learning in Production: An Overview of the Robustness in MLOps Approach [0.0]
近年、AI研究者や実践家は、信頼性と信頼性のある意思決定を行うシステムを構築するための原則とガイドラインを導入している。
実際には、システムが運用され、実際の環境で継続的に進化し、運用するためにデプロイされる必要がある場合に、根本的な課題が発生する。
この課題に対処するため、MLOps(Machine Learning Operations)は、デプロイメントにおけるMLソリューションを標準化するための潜在的なレシピとして登場した。
論文 参考訳（メタデータ） (2024-10-28T09:34:08Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳（メタデータ） (2024-01-11T15:02:15Z) - Learning with Limited Samples -- Meta-Learning and Applications to
Communication Systems [46.760568562468606]
メタ学習は、新しいタスクに迅速に適応できる学習アルゴリズムを最適化する。
このレビュー・モノグラフは、原則、アルゴリズム、理論、工学的応用をカバーし、メタラーニングの紹介を提供する。
論文 参考訳（メタデータ） (2022-10-03T17:15:36Z) - Machine Learning Operations (MLOps): Overview, Definition, and
Architecture [0.0]
機械学習オペレーション(MLOps)のパラダイムは、この問題に対処する。
MLOpsはいまだ曖昧な用語であり、研究者や専門家にとっての結果は曖昧である。
必要なコンポーネントや役割、関連するアーキテクチャや原則をまとめて紹介します。
論文 参考訳（メタデータ） (2022-05-04T19:38:48Z) - Panoramic Learning with A Standardized Machine Learning Formalism [116.34627789412102]
本稿では,多様なMLアルゴリズムの統一的な理解を提供する学習目的の標準化された方程式を提案する。
また、新しいMLソリューションのメカニック設計のガイダンスも提供し、すべての経験を持つパノラマ学習に向けた有望な手段として機能する。
論文 参考訳（メタデータ） (2021-08-17T17:44:38Z) - 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)
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。