論文の概要: Bridging Traditional Machine Learning and Large Language Models: A Two-Part Course Design for Modern AI Education
- arxiv url: http://arxiv.org/abs/2512.05167v1
- Date: Thu, 04 Dec 2025 15:10:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-13 22:40:56.769353
- Title: Bridging Traditional Machine Learning and Large Language Models: A Two-Part Course Design for Modern AI Education
- Title（参考訳）: 従来の機械学習と大規模言語モデルを橋渡しする - 現代AI教育のための2つのコース設計
- Authors: Fang Li,
- Abstract要約: 基礎的機械学習の概念と現代大規模言語モデル(LLM)の2つの逐次的および相補的部分から構成されるコースについて述べる。
コースアーキテクチャ、実装戦略、評価方法、および2つの7週間の期間にわたる夏のコース提供からの学習成果について詳述する。
- 参考スコア（独自算出の注目度）: 4.8369208007394215
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents an innovative pedagogical approach for teaching artificial intelligence and data science that systematically bridges traditional machine learning techniques with modern Large Language Models (LLMs). We describe a course structured in two sequential and complementary parts: foundational machine learning concepts and contemporary LLM applications. This design enables students to develop a comprehensive understanding of AI evolution while building practical skills with both established and cutting-edge technologies. We detail the course architecture, implementation strategies, assessment methods, and learning outcomes from our summer course delivery spanning two seven-week terms. Our findings demonstrate that this integrated approach enhances student comprehension of the AI landscape and better prepares them for industry demands in the rapidly evolving field of artificial intelligence.
- Abstract（参考訳）: 本稿では,従来の機械学習技術と現代言語モデル(LLM)を体系的に橋渡しする,人工知能とデータサイエンスを教えるための革新的な教育的アプローチを提案する。
基礎的機械学習の概念と,現代LLMの応用という,2つの逐次的および相補的部分から構成されるコースについて述べる。
この設計により、学生は、確立された技術と最先端の技術の両方で実践的なスキルを構築しながら、AI進化の包括的理解を開発することができる。
コースアーキテクチャ、実装戦略、評価方法、および2つの7週間の期間にわたる夏のコース提供からの学習成果について詳述する。
この統合されたアプローチは、AIのランドスケープを学生が理解しやすくし、急速に進化する人工知能分野における産業的な需要に備える。
関連論文リスト
- Continual Learning for Generative AI: From LLMs to MLLMs and Beyond [56.29231194002407]
本稿では,主流生成型AIモデルに対する連続学習手法の総合的な調査を行う。
これらのアプローチをアーキテクチャベース、正規化ベース、リプレイベースという3つのパラダイムに分類する。
我々は、トレーニング目標、ベンチマーク、コアバックボーンを含む、異なる生成モデルに対する連続的な学習設定を分析する。
論文 参考訳（メタデータ） (2025-06-16T02:27:25Z) - From MOOC to MAIC: Reshaping Online Teaching and Learning through LLM-driven Agents [78.15899922698631]
MAIC(Massive AI-empowered Course)は、LLM駆動のマルチエージェントシステムを活用して、AIが強化された教室を構築するオンライン教育の新たな形態である。
中国一の大学である清華大学で予備的な実験を行う。
論文 参考訳（メタデータ） (2024-09-05T13:22:51Z) - Multimodality of AI for Education: Towards Artificial General
Intelligence [14.121655991753483]
マルチモーダル人工知能(AI)アプローチは、教育的文脈における人工知能(AGI)の実現に向けた道を歩んでいる。
この研究は、認知フレームワーク、高度な知識表現、適応学習機構、多様なマルチモーダルデータソースの統合など、AGIの重要な側面を深く掘り下げている。
本稿は、AGI開発における今後の方向性と課題に関する洞察を提供する、教育におけるマルチモーダルAIの役割の意味についても論じる。
論文 参考訳（メタデータ） (2023-12-10T23:32:55Z) - Unleashing the potential of prompt engineering for large language models [1.6006550105523192]
大規模言語モデル(LLM)の能力を解き放つ上で,迅速なエンジニアリングが果たす重要な役割を概観する
自己整合性、思考の連鎖、そして生成された知識などの技術を含む、素早い工学の基礎的方法論と先進的な方法論の両方を検査する。
AIセキュリティの側面、特に迅速なエンジニアリングの脆弱性を悪用する敵攻撃について論じる。
論文 参考訳（メタデータ） (2023-10-23T09:15:18Z) - Selected Trends in Artificial Intelligence for Space Applications [69.3474006357492]
この章は、差別化可能なインテリジェンスとオンボード機械学習に焦点を当てている。
欧州宇宙機関(ESA)Advanced Concepts Team(ACT)から選ばれたいくつかのプロジェクトについて論じる。
論文 参考訳（メタデータ） (2022-12-10T07:49:50Z) - 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) - Artificial Intelligence Technologies in Education: Benefits, Challenges
and Strategies of Implementation [8.54335661175611]
教育分野における人工知能導入のメリットと課題を特定した。
私たちはまた、学習者と教育者のための最新のAI技術についてもレビューしました。
我々は,5段階の汎用プロセスで記述された戦略実装モデルと,対応する構成ガイドを開発した。
論文 参考訳（メタデータ） (2021-02-11T11:09:41Z) - Distributed and Democratized Learning: Philosophy and Research
Challenges [80.39805582015133]
民主化学習(Dem-AI)という新しいデザイン哲学を提案する。
ヒトの社会的グループに触発され、提案されたDem-AIシステムの学習エージェントの専門グループは階層構造で自己組織化され、より効率的に学習タスクを遂行する。
本稿では,様々な学際分野に触発された未来のDem-AIシステムを実現するためのガイドラインとして,参照設計を提案する。
論文 参考訳（メタデータ） (2020-03-18T08:45:10Z) - A general framework for scientifically inspired explanations in AI [76.48625630211943]
我々は、AIシステムの説明を実装可能な一般的なフレームワークの理論的基盤として、科学的説明の構造の概念をインスタンス化する。
このフレームワークは、AIシステムの"メンタルモデル"を構築するためのツールを提供することを目的としている。
論文 参考訳（メタデータ） (2020-03-02T10:32:21Z)
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。