|
- N a v i g a t i o n - - - - - - - - |
Entwicklungssystem für Aktives Lernen |
|
|
|
|
|
|
| - - - - - - - - - - - - - - - - - - - - |
| - - - - - - - - | |
|
Abstimmung
mit anderen Projekten
|
Ziel dieses Projektes ist die Erweiterung der Software-Projekte SW01 und SW03, d.h. es sollen ausgewählte Ansätze zum Aktiven Lernen und des Optimal-Experiment-Designs (Fedorov (1972)) implementiert werden, indem zum einen Datenstrukturen und die Implementationssprache mit dem Software-Projekt SW01 abgestimmt werden. Zum anderen sollen die unüberwachten und überwachten SOM-Ansätze aus dem Software-Projekt SW03 als Bestandteil hybrider Verfahren betrachtet werden, die somit Aktives Lernen, Modellbildung durch SOMs, und Evolutions-Algorithmen umfassen. Mit diesen Ingredenzien ist der Ansatz der "Fitness-Approximationsmodelle in EA" von Bachelier (1999d) in einer verteilten, internet-basierten Umgebung reimplementierbar. |
|
Aktives
Lernen
|
Bei einer allgemeinen Definition des Aktiven Lernens hat der Lerner Einfluss auf die unterschiedlichen Komponenten in der Lern- und der Test-Phase. Ein aktiver Lerner kann Meta-Entscheidungen über seine eigene Architektur und deren Veränderung treffen, um potentiell (selbst- oder fremd-) veränderliche Ziele zu erfüllen. Das Spektrum der Entscheidungen eines aktiven Lerners umfasst Fragen wie "was soll gelernt werden", "wie soll gelernt werden", "wann soll das Lernen beendet werden", usw. Die meisten Modelle zum Aktiven Lernen beschäftigen sich jedoch ausschliesslich mit der Auswahl eines neuen Lernstimulus, der in die Lernmenge aufgenommen wird. Die Lernmenge kann dabei um dieses Element erweitert werden, oder das neue Element ersetzt einen alten Lernstimulus, sodass die Anzahl der Lernstimuli konstant bleibt. Strategien, mit denen ein aktiver Lerner Lernstimuli auswählt, werden als Query-Strategien bezeichnet. In Bachelier (1999d) wird das Aktive Lernen in den folgenden Strategien betrachtet: 1) Geschlossene Stimulusmenge. 2) Stimulus-Strom (Query-Filtering). 3) Offene Stimulusmege (aktive Datenerhebung). Andere Überblicke über Aktives Lernen findet sich z.B. bei Cohn et al. (1995) und bei RayChaudhuri (1997). Ein wesentlicher Einstiegspunkt ist die Homepage des "1995 AAAI Symposium on Active Learning", auf der viele auf diesem Gebiet tätigen Forscher einen Beitrag geleistet haben. |
|
Beziehung
zu Resampling-Verfahren
|
Zu beachten ist, dass verschiedene Ansätze zum Aktiven Lernen wie das Query-by-Disagreement von RayChaudhuri (1997) Resampling-Verfahren wie Jackknife oder eine Bootstrap-Variante erfordert, wobei damit Combining-Strategien direkt verbunden sind. Dies bedeutet, dass das Software-Projekt SW04 "Sampling, Clustering, Resampling und Combining in EA- und SOM-Architekturen" vor diesem Projekt durchgeführt werden muss, wenn auf dessen Resampling-Verfahren zurückgegriffen werden soll. |
|
- - - - -
- - -
|
|
|
Referenzen
|
Cohn, David A.; Ghahramani, Zoubin; Jordan, Michael I.: Active Learning with Statistical Models. In: Tesauro, G.; Touretzky, D.S.; Leen, T.K. (eds.): Advances in Neural Information Processing Systems, NIPS 7, MIT Press, Cambridge, 1995. Fedorov, V.: Theory of Optimal Experiments. Academic Press, New York, 1972. RayChaudhuri, Tirthankar: Seeking the Valuable Domain - Query Learning in a Cost-Optimal Perspective. PhD thesis, Macquarie University, Sydney, 1997. |
VI-ANEC | Über das Institut | Software-Projekte | Hardware-Projekte | Best-Paper-/Best-Program-Awards | Sponsoring | Dienste | Kontakt