Главная особенность компьютерных методов обучения заключается в том, что компьютерные инструменты

Обновлено: 04.07.2024

Несмотря на продолжающееся ускорение доступа к компьютерам в начальных и средних школах, интеграция компьютеров не обязательно используется в качестве повседневного инструмента обучения. Неоднородной выборке из 185 учителей начальной и 204 учителей средней школы было предложено ответить на открытые вопросы анкеты, чтобы понять, почему интеграция компьютерных технологий соответствует или не соответствует их философии преподавания, какие факторы влияют на планирование использования компьютерных технологий в школе. в классе и какие характеристики определяют отличных учителей, которые интегрируют технологии. Качественный анализ открытых вопросов показал, что в целом преподаватели поддерживают компьютерную интеграцию, описывая потенциал технологий с использованием конструктивистского языка, такого как «аутентичные задачи» и «саморегулируемое обучение». Ответы «высоких» и «низких» интегрирующих учителей сравнивались по темам. Разнообразие тем и появляющиеся модели этих тем от «высоких и низких интеграторов» указывают на то, что интеграция компьютерных технологий является сложной проблемой, требующей учета индивидуальных и контекстуальных переменных.

1. Введение

Цифровые технологии, и в частности компьютерные технологии, сегодня занимают важное место на всех уровнях образования. Однако, несмотря на широкую доступность, компьютерные технологии по-прежнему недостаточно используются, и потенциал этих технологий как средств обучения не реализуется [1–3]. Эта проблема была очевидна в течение некоторого времени и продолжает оставаться проблемой как в национальном, так и в международном контексте 5. Интеграция технологий в качестве значимого инструмента обучения включает в себя гораздо больше, чем просто предоставление оборудования. Вместо этого интеграцию компьютерных технологий можно рассматривать как «ремесло» [1], которое развивается по мере того, как преподаватели адаптируют свои стили преподавания, убеждения и практику. Чтобы способствовать овладению «ремеслом», важно исследовать конкретную роль, которую учителя играют как отдельные люди в процессе интеграции технологий. В текущем исследовании использовалась качественная методология исследования с разнородной выборкой практикующих учителей, чтобы получить глубокое понимание того, как компьютерные технологии вписываются в репертуар учебных инструментов учителей и их собственное представление о том, что это должно быть. учитель, использующий технологии. Путем опроса случайной выборки учителей со всего школьного округа в этом исследовании представлена комплексная картина убеждений и взглядов «среднего» учителя начальных и средних школ округа.

Компьютерные технологии могут быть уникальными инновациями, которые нужно интегрировать в качестве учебных инструментов в учебную программу, отчасти потому, что доступные технологии быстро меняются. Чтобы идти в ногу с постоянными изменениями в оборудовании, программном обеспечении и учебных инновациях, которые сопровождают достижения в области компьютерных технологий [11], преподаватели должны постоянно обновлять свои технологические знания [12] и адаптировать свои методы обучения. Постоянные изменения могут привести к тому, что учителя станут «вечными новичками» в процессе интеграции технологий [2]. Вместо того, чтобы представлять собой линейный прогресс в навыках через поэтапное развитие [13], интеграцию компьютерных технологий можно охарактеризовать как рекурсивную спираль [14], где продвижение требует постоянного согласования предыдущих навыков наряду с адаптацией к новым требованиям. Таким образом, постоянное и быстрое развитие компьютерных технологий само по себе может препятствовать внедрению и интеграции этой технологии в некоторых классах.

Исторически сложилось так, что такие предикторы, как доступ к технологиям и технические проблемы, часто считались важными препятствиями для компьютерной интеграции [2]. Хотя достижения, связанные с компьютерными технологиями, могут представлять собой проблему для интеграции, сами по себе достижения могут лишь частично объяснить нежелание интегрировать технологии, особенно с учетом преобладания множества цифровых технологий в большинстве школ в западном мире и во всем мире (например, [ 15–17]) и более широкое использование компьютеров населением в целом. Например, данные ранних краткосрочных лонгитюдных исследований демонстрируют значительный рост использования компьютеров и снижение технических проблем в течение всего лишь двухлетнего периода [18].

Недавние исследования, таким образом, начали выходить за рамки внешних или технических ограничений как проблемы, наиболее важные для объяснения недостаточного использования, и вместо этого сосредотачиваются на проблемах, внутренних для человека, включая измерения убеждений и отношения учителей [2, 6, 19–24]. Было показано, что эти переменные являются важными предикторами компьютерной интеграции.

Две теории/структуры особенно актуальны для попытки объяснить, как взаимодействуют многочисленные факторы, влияющие на выбор учителей в отношении интеграции компьютеров: теория ожидаемой стоимости и технологическое педагогическое знание (TPACK). [24] использовали теорию затрат и ожиданий, чтобы определить, как учителя уравновешивают относительные достоинства нескольких переменных в своих решениях по интеграции компьютерных технологий. Теория затрат и ожиданий предлагает, чтобы учителя учитывали ценность (убеждения о вкладе, который дает технология) и ожидания (убеждения в эффективности, доступность и доступная поддержка), а затем сопоставляли это с затратами (включая время, энергию, беспокойство, количество учителей) в своем решении. внедрить компьютерные технологии на своих уроках. Результаты их опроса учителей начальных и средних школ показали, что важными предикторами внедрения были ожидание успеха и воспринимаемая ценность, то есть отношение учителей к технологиям и вероятность того, что они смогут достичь своей цели. Меньший акцент на затратах поддерживает идею о том, что барьеры для интеграции компьютеров уменьшаются и что требуется сосредоточиться на отношении и восприятии учителя.

Однако концепция технологического педагогического содержания (TPACK) Мишры и Келера [25] делает акцент на знаниях учителей, а не на установках и убеждениях, предполагая, что интегрированное понимание содержания, педагогики и технологии является критически важной основой для успешной интеграции технологий. . Они предполагают, что TPACK — это больше, чем аддитивная конструкция знаний и навыков, а комплексное понимание того, как технологии и педагогика взаимодействуют в рамках конкретной базы контента. Недостаточно иметь технологию и знать, как ее использовать, но преподаватели должны чувствовать себя комфортно, зная, как использовать эту технологию с передовой практикой преподавания в своей предметной области. Интеграция компьютерных технологий может привести к тому, что учителя подвергнут сомнению свой текущий подход к обучению и разработают новые стратегии обучения [25, 26]. Структура TPACK Келера и Мишры [27] рассматривает обучение с помощью технологий как «сложную, плохо структурированную задачу», которая требует от педагогов «разработки новых способов понимания и приспособления к этой сложности» (стр. 62). Важно понимать, с какими вопросами и изменениями сталкиваются учителя. Самый эффективный способ получить эту информацию — напрямую спросить учителей, какие факторы они учитывают при планировании и интеграции использования технологий в своих классах. По ответам учителей мы можем определить, какую форму может принять TPACK.

Существующая литература указывает на некоторые критические факторы, влияющие на решения учителей относительно интеграции компьютеров. Например, Vannatta и Fordham [23] опросили учителей K-12, чтобы определить влияние таких факторов, как философия преподавания, самоэффективность учителей, открытость к изменениям, профессиональное развитие, технологическое обучение, использование компьютеров учителями и учениками, пол и опыт преподавания. Переменные, которые были важными предикторами компьютерной интеграции, включали количество часов, которые учителя тратят сверх своей контрактной работы, количество часов обучения технологиям и открытость к изменениям. Однако на эти переменные приходилось лишь 18% дисперсии. Ваннатта и Фордхэм [23] призвали к дополнительному изучению сложности «развития квалифицированного, рефлексивного учителя, использующего технологии» (стр. 262), которое включает случайную выборку большой разнородной выборки и множество характеристик учителя, как технологии, и не связанных с технологиями.

Одна переменная, которая может иметь особое значение для учителей, – это соответствие использования компьютеров существующей педагогической практике. Влияние педагогических убеждений учителей на классную практику хорошо задокументировано [28–32], но прямое влияние на технологическую интеграцию не столь очевидно [24]. В целом, учителя, скорее всего, будут использовать свой прошлый опыт, убеждения и отношение к обучению и преподаванию, чтобы развить свои убеждения о технологиях как методе обучения или учебном инструменте, в зависимости от того, как они классифицируют компьютеры [33–37]. Их отношение и убеждения в отношении обучения и преподавания влияют на то, как они думают о технологиях. Чтобы использовать компьютеры в качестве когнитивного инструмента для создания знаний, преподаватели должны признать, что компьютер является инструментом обучения, и иметь возможность использовать его в классе. Несколько исследователей продемонстрировали, что недостаточно знать, как использовать компьютеры, чтобы эффективно использовать их в классе [38–40], вместо этого необходимо, чтобы учителя получали инструкции и опыт, которые позволяют им интегрировать как хорошую педагогику, так и передовую практику. в отношении использования компьютеров [23, 34, 39]. Учитывая, что преподаватели в конечном счете определяют, будут ли и как компьютеры использоваться в их классе [41, 42], крайне важно понять, с их точки зрения, что влияет на их решения и поведение.

В соответствии с этим признанием важности взаимодействия между педагогикой и технологиями недавние исследования показывают, что подготовка учителей, объединяющая педагогику с практическими компьютерными приложениями, обеспечивает большую интеграцию, большее доверие среди учителей и уверенность в том, что они будут интегрировать компьютеры. в рамках их обучения [39, 43, 44]. Учитывая эти данные, важно дополнительно изучить убеждения учителей в отношении обучения с использованием компьютеров [21, 40]. Кроме того, чтобы понять сложные связи между содержанием, педагогикой и использованием технологий, важно сначала понять, что учителя считают «хорошим преподаванием», чтобы определить, отличается ли хорошее преподавание с использованием технологий от хорошего преподавания в других контекстах. Настоящее исследование опирается на рекомендации существующих исследований и дополнительно изучает педагогические проблемы и убеждения учителей, чтобы улучшить наше понимание «характеристик учителя», которые способствуют успешной интеграции компьютерных технологий.

2. Метод

2.1. Участники

В число участников вошли 185 учителей начальных классов и 204 учителя средних школ, выбранных случайным образом из полного списка учителей, нанятых одним крупным школьным советом Канады (представляющим как городские, так и сельские школы), чтобы убедиться, что выборка включает учителей с разными технологиями и опытом преподавания. . Канадская система государственных школ состоит из двух уровней обучения: начального (от детского сада до 8 класса, поступление в 4 года) и среднего (с 9 по 12 классы). Выборка учителей представляла собой 94 из 99 начальных школ и каждую из 16 средних школ, включенных в совет. Большинство учителей составляли женщины (146 женщин и 39 учителей начальной школы; 116 женщин и 88 учителей средней школы). Средний возраст учителей составил 41,8 года (SD = 8,43) со средним педагогическим стажем 14,8 года (SD = 8,75). Большинство учителей имели высшее образование (87,2% начальных, 78,3% средних), а еще 10% учителей начальных классов и 15,3% учителей средних школ имели степень магистра или доктора философии. градусов.

Участники преподавали в школах, в которых проживало от небольшого населения менее 200 до большого населения более 1500 человек. Среди учителей начальных классов большинство участников (63,2%) были обычными классными учителями, а меньшая часть занималась специальными занятиями. образование (11,4%), языковое обучение/поддержка (12,5%) или совмещение обязанностей. Учителя начальных классов представляли задания от детского сада до 8 класса. Учителя средних школ преподавали в различных областях учебной программы.

2.2. Меры

Учителя заполнили один опрос. Восемь вопросов с использованием 5-балльной шкалы типа Лайкерта в диапазоне от 0 (никогда) до 4 (много) были объединены для создания составного показателя компьютерной интеграции ( альфа = 0,82), который использовался для определения «низкого» и «высокого» уровня компьютерной интеграции учителей. Показатель компьютерной интеграции включал в себя множество моделей поведения (т. е. использование компьютера как учащимися, так и учителями для различных целей), чтобы отразить сложность компьютерной интеграции.

Пять открытых вопросов для оценки убеждений и отношения учителей к компьютерной интеграции и преподаванию были разработаны на основе прошлых исследований, определяющих критически важные переменные учителей, которые потенциально могут повлиять на компьютерную интеграцию (например, [2, 24, 33, 35]). На первые два вопроса участникам было предложено выбрать ответ «Да» или «Нет», после чего последовали инструкции по уточнению своего ответа. Пять вопросов были следующими. (1) Поддерживаете ли вы концепцию интеграции компьютерных технологий для студентов вашего подразделения? (2) Соответствует ли интеграция компьютерных технологий вашему личному стилю обучения? (3) Когда вы планируете урок/раздел, какие факторы заставляют вас интегрировать компьютер? (4) Если бы вам нужно было определить личные качества людей, которые являются отличными учителями, какими бы они были? (5) Укажите характеристики, которые отличают отличных учителей, которые эффективно интегрируют технологии, от отличных учителей, которые этого не делают.

2.3. Процедура

Учителям была отправлена анкета с карандашом и бумагой вместе с обратным конвертом с адресом и маркой. Подавляющее большинство участников ответили на каждый вопрос (более 75%), за исключением вопроса, в котором спрашивалось, чем отличные учителя, использующие технологии, отличаются от тех, кто их не использует, на который ответили менее пятидесяти процентов участников (см. Таблицу 1).

В настоящее время информационные и коммуникационные технологии (ИКТ) используются почти во всех профессиях, включая дизайнеров и разработчиков в сфере образования и обучения. Эта часть книги состоит из десяти примеров недавно созданных инструментов проектирования и разработки (см. главы с 14 по 23). Эти инструменты можно классифицировать по многим признакам.Концептуальная структура может помочь при организации инструментов по разным типам. В этой вводной главе такая структура представлена со следующим набором атрибутов: тип выходных данных; цель и доказательства преимуществ; тип поддерживаемого процесса разработки и любая лежащая в его основе теория; поддержка задач; и предполагаемая группа пользователей. Структура оказалась полезной при анализе инструментов, представленных в следующих главах. Результаты анализа представлены в расширенной таблице. Глава завершается обсуждением интерпретаций анализа и прогнозируемых будущих тенденций.

Ключевые слова

Развитие образования Разработка обучения Средства компьютерной поддержки Электронные системы поддержки успеваемости

Предварительный просмотр

Невозможно отобразить предварительный просмотр. Скачать предварительный просмотр в формате PDF.

Ссылки

Бергман Р. и Мур Т., 1990 г., Управление интерактивными видео/мультимедийными проектами, Educational Technology Publications, Englewood Cliffs, NJ. Академия Google

Бертон Дж., Мур Д. и Маглиаро С., 1996 г., Бихевиоризм и обучающие технологии, Д. Ионассен (ред.), Справочник по исследованиям в области образовательных коммуникаций и технологий, стр. 46–73, Макмиллан, Нью-Йорк. Академия Google

Карр, К., 1989 г., Экспертные системы: что они означают для обучения, Обучение, 26(12), 41–48. Академия Google

Дик В. и Кэри Л., 1996 г., Систематический дизайн обучения (4-е изд.), Harper Collins College Publishers, Нью-Йорк. Академия Google

Даффи, Т. и Каннингем, Д., 1996, Конструктивизм: последствия для разработки и проведения обучения, стр. 170–198, Ин Йонассен, Д. (ред.), Справочник по исследованиям для образовательных учреждений. коммуникации и технологии, Макмиллан, Нью-Йорк. Академия Google

Эртмер П. и Ньюби Т., 1993, Бихевиоризм, когнитивизм, конструктивизм: сравнение критических характеристик с точки зрения учебного дизайна, Performance Improvement Quarterly, 6(4), 50–72. CrossRef Академия Google

Гаески, Д.М., 1991, Программные инструменты для расширения возможностей разработчиков учебных программ, Performance Improvement Quarterly 4(4), 21–35. CrossRef Академия Google

Гери Г., 1987 г., Проведение CBT: рецепты успешного внедрения компьютерного обучения в вашей организации, Вайнгартен, Бостон, Массачусетс. Академия Google

Gery, GJ, 1991, Электронные системы поддержки производительности: как и зачем переделывать рабочее место с помощью стратегического применения технологий, Бостон, Массачусетс, Вайнгартен. Академия Google

Глазерсфельд, Э. фон, 1995, Радикальный конструктивизм: способ познания и обучения, Falmer Press, Лондон. CrossRef Академия Google

Густафсон К., в печати, Разработка поддержки производительности на основе технологий, Образовательные технологии. Академия Google

Густафсон, К. и Бранч, Р., 1997, Обзор моделей развития обучения (3-е изд.), Сиракузы, Нью-Йорк, Информационная служба ERIC по информационным ресурсам, Сиракузский университет. Академия Google

Half, H.M., 1993, Перспективы автоматизации учебного дизайна, In Spector, J.M., Poison, M.C. и Мурайда, Д.Дж. (ред.), Автоматизация учебного дизайна: концепции и проблемы, стр. 67–131, Englewood Cliffs, NJ: Educational Technology. Академия Google

Хедберг Дж., Харпер Б., Браун К. и Кордерой Р., 1994 г., Изучение пользовательских интерфейсов для улучшения результатов, В Бити К., Макнот К. и Уиллс С. (ред.), < em>Интерактивные мультимедиа в университетском образовании: разработка изменений в преподавании и обучении, стр. 15–29, Elsevier, Амстердам. Академия Google

Джонассен Д.Х. и Ривз Т.К., 1996 г., Обучение с помощью технологий: использование компьютеров в качестве когнитивных инструментов, И. Джонассен, Д. (ред.), Справочник по исследованиям в области образовательных коммуникаций и технологий, стр. 695–719, Макмиллан, Нью-Йорк. Академия Google

Джонассен Д.Х. и Уилсон Б.Г., 1990, Проектирование автоматизированных учебных систем: обзор прототипов систем, Journal of Artificial Intelligence in Education, 2(2), 17–30. Академия Google

Право, член парламента, 1994 г., Электронная система поддержки производительности: Когнитивные «тренировочные колеса» для приобретения квалифицированной производительности, доклад, представленный на конференции Ассоциации образовательных коммуникаций и технологий, 16-20 февраля, Нэшвилл. Академия Google

Липперт, Р.К., 1989 г., Экспертные системы: наставники, инструменты и обучаемые, Journal of Computer-based Instruction, 16(1), 11–19. Академия Google

Россет А., 1996 г., Пособия по работе, In Plomp, Tj. и Эли, Д.П. (ред.), Международная энциклопедия образовательных технологий, стр. 132–136, Пергамон, Оксфорд. Академия Google

Силс, Б. Б. и Ричи, Р. К., 1994 г., Учебные технологии: определение и предметная область, Ассоциация образовательных коммуникаций и технологий, Вашингтон, округ Колумбия. Академия Google

Смит, П.Л. и Рэган Т.Дж., 1999 г., Учебный дизайн (2-е изд.), Меррилл, Аппер-Сэдл-Ривер, Нью-Джерси. Академия Google

Стивенс, Г.Х. и Стивенс, Э.Ф., 1995 г., Разработка электронных инструментов поддержки производительности: Повышение производительности на рабочем месте с помощью гипертекста, гипермедиа и мультимедиа, Образовательные технологии, Публикации. Энглвуд Клиффс, Нью-Джерси. Академия Google

Таба, Х., 1962 г., Разработка учебного плана: теория и практика, Harcourt, Brace & World. Нью-Йорк. Академия Google

Теннисон, Р.Д., 1993 г., Платформа для автоматизации учебного дизайна, In Spector, J.M., Poison, M.C. и Мурайда, ди-джей. (ред.), Автоматизация учебного дизайна: концепции и проблемы, стр. 191–212, Educational Technology, Englewood Cliffs, NJ. Академия Google

Вишер-Вурман, Дж.И.А. и Шультен, Э., 1997 г., Подходы к проектированию в обучении и образовании: взгляды из практики, документ, представленный на ежегодном собрании Американской ассоциации исследований в области образования, 25–29 марта, Чикаго. Академия Google

Walker, D.F., 1990, Основы учебной программы, Harcourt Brace Jovanovich, Сан-Диего, Калифорния. Академия Google

Уилсон, Б., 1997, Размышления о конструктивизме и педагогическом дизайне, У Диллса, К. и Ромишовски, А. (ред.), Парадигмы развития обучения, 63–80, Публикации по образовательным технологиям , Энглвуд Клиффс, Нью-Джерси. Академия Google

Винн В. и Снайдер Д., 1996 г., Когнитивные аспекты психологии, И. Йонассен Д. (ред.), Справочник по исследованиям в области образовательных коммуникаций и технологий, стр. 112–142. , Макмиллан, Нью-Йорк. Академия Google

Глубокое обучение – это метод машинного обучения, который учит компьютеры делать то, что естественно для человека: учиться на примере. Глубокое обучение — ключевая технология для беспилотных автомобилей, позволяющая им распознавать знак остановки или отличать пешехода от фонарного столба. Это ключ к голосовому управлению потребительскими устройствами, такими как телефоны, планшеты, телевизоры и громкоговорители. В последнее время глубокому обучению уделяется много внимания, и на то есть веские причины. Это достижение результатов, которые раньше были невозможны.

При глубоком обучении компьютерная модель учится выполнять задачи классификации непосредственно на основе изображений, текста или звука. Модели глубокого обучения могут достигать высочайшей точности, иногда превышающей производительность человеческого уровня. Модели обучаются с использованием большого набора размеченных данных и архитектур нейронных сетей, содержащих множество слоев.

Почему это важно

Как это работает

Глубокое обучение с помощью MATLAB

Почему глубокое обучение имеет значение

Как глубокое обучение достигает таких впечатляющих результатов?

Одним словом, точность. Глубокое обучение обеспечивает точность распознавания на более высоком уровне, чем когда-либо прежде. Это помогает бытовой электронике соответствовать ожиданиям пользователей, и это имеет решающее значение для критически важных приложений, таких как беспилотные автомобили. Недавние достижения в области глубокого обучения достигли такой степени, что глубокое обучение превосходит людей в некоторых задачах, таких как классификация объектов на изображениях.

Хотя теория глубокого обучения была впервые предложена в 1980-х годах, есть две основные причины, по которым она стала полезной лишь недавно:

Для глубокого обучения требуются большие объемы размеченных данных. Например, для разработки беспилотных автомобилей требуются миллионы изображений и тысячи часов видео.
Глубокое обучение требует значительной вычислительной мощности. Высокопроизводительные графические процессоры имеют параллельную архитектуру, эффективную для глубокого обучения. В сочетании с кластерами или облачными вычислениями это позволяет командам разработчиков сократить время обучения сети глубокого обучения с недель до часов или даже меньше.

Примеры глубокого обучения в действии

Приложения для глубокого обучения используются в различных отраслях, от автоматизированного вождения до медицинских устройств.

Автоматизированное вождение. Исследователи в области автомобилестроения используют глубокое обучение для автоматического обнаружения таких объектов, как знаки остановки и светофоры. Кроме того, для обнаружения пешеходов используется глубокое обучение, что помогает снизить количество аварий.

Аэрокосмическая промышленность и оборона. Глубокое обучение используется для идентификации объектов со спутников, которые обнаруживают интересующие области и определяют безопасные или небезопасные зоны для войск.

Медицинские исследования. Исследователи рака используют глубокое обучение для автоматического обнаружения раковых клеток. Команды из Калифорнийского университета в Лос-Анджелесе создали усовершенствованный микроскоп, который выдает многомерный набор данных, используемый для обучения приложения глубокого обучения точному выявлению раковых клеток.

Промышленная автоматизация. Глубокое обучение помогает повысить безопасность рабочих при работе с тяжелым оборудованием, автоматически определяя, когда люди или объекты находятся на небезопасном расстоянии от машин.

Электроника. Глубокое обучение используется для автоматизированного прослушивания и перевода речи. Например, устройства помощи на дому, которые реагируют на ваш голос и знают ваши предпочтения, работают на основе приложений глубокого обучения.

Как работает глубокое обучение

В большинстве методов глубокого обучения используются архитектуры нейронных сетей, поэтому модели глубокого обучения часто называют глубокими нейронными сетями.

Термин «глубокий» обычно относится к количеству скрытых слоев в нейронной сети. Традиционные нейронные сети содержат только 2–3 скрытых слоя, в то время как в глубоких сетях их может быть до 150.

Модели глубокого обучения обучаются с использованием больших наборов размеченных данных и архитектур нейронных сетей, которые изучают функции непосредственно из данных без необходимости извлечения функций вручную.

Рисунок 1. Нейронные сети, организованные в слои, состоящие из набора взаимосвязанных узлов. Сети могут иметь десятки или сотни скрытых слоев.

Один из самых популярных типов глубоких нейронных сетей известен как сверточные нейронные сети (CNN или ConvNet). CNN сворачивает изученные функции с входными данными и использует сверточные 2D-слои, что делает эту архитектуру хорошо подходящей для обработки 2D-данных, таких как изображения.

CNN устраняют необходимость в ручном извлечении признаков, поэтому вам не нужно определять признаки, используемые для классификации изображений. CNN работает, извлекая функции непосредственно из изображений. Соответствующие функции предварительно не обучены; они изучаются, пока сеть обучается на наборе изображений. Это автоматизированное извлечение функций делает модели глубокого обучения очень точными для задач компьютерного зрения, таких как классификация объектов.

Рисунок 2. Пример сети с множеством сверточных слоев. К каждому тренировочному изображению применяются фильтры с разным разрешением, а выходные данные каждого свернутого изображения служат входными данными для следующего слоя.

CNN учатся обнаруживать различные особенности изображения, используя десятки или сотни скрытых слоев. Каждый скрытый слой увеличивает сложность изученных признаков изображения. Например, первый скрытый слой может научиться обнаруживать края, а последний учиться обнаруживать более сложные формы, специально предназначенные для формы объекта, который мы пытаемся распознать.

В чем разница между машинным обучением и глубоким обучением?

Глубокое обучение – это особая форма машинного обучения. Рабочий процесс машинного обучения начинается с того, что соответствующие функции извлекаются из изображений вручную. Затем эти функции используются для создания модели, которая классифицирует объекты на изображении. Благодаря рабочему процессу глубокого обучения соответствующие функции автоматически извлекаются из изображений. Кроме того, глубокое обучение выполняет «сквозное обучение», когда сети предоставляются необработанные данные и задача для выполнения, например классификация, и она учится делать это автоматически.

Еще одно ключевое отличие заключается в том, что алгоритмы глубокого обучения масштабируются вместе с данными, тогда как поверхностное обучение сходится. Поверхностное обучение относится к методам машинного обучения, которые останавливаются на определенном уровне производительности, когда вы добавляете в сеть больше примеров и обучающих данных.

Ключевым преимуществом сетей глубокого обучения является то, что они часто продолжают улучшаться по мере увеличения размера ваших данных.

Рис. 3. Сравнение подхода машинного обучения к классификации транспортных средств (слева) и метода глубокого обучения (справа).

В машинном обучении вы вручную выбираете функции и классификатор для сортировки изображений. При глубоком обучении этапы извлечения признаков и моделирования выполняются автоматически.

Выбор между машинным обучением и глубоким обучением

Машинное обучение предлагает множество методов и моделей, которые вы можете выбрать в зависимости от вашего приложения, объема обрабатываемых данных и типа проблемы, которую вы хотите решить. Для успешного приложения глубокого обучения требуется очень большой объем данных (тысячи изображений) для обучения модели, а также графические процессоры или графические процессоры для быстрой обработки данных.

Выбирая между машинным обучением и глубоким обучением, подумайте, есть ли у вас высокопроизводительный графический процессор и много размеченных данных. Если у вас нет ни того, ни другого, возможно, имеет смысл использовать машинное обучение вместо глубокого обучения. Глубокое обучение, как правило, более сложное, поэтому вам понадобится как минимум несколько тысяч изображений, чтобы получить надежные результаты. Наличие высокопроизводительного графического процессора означает, что модели потребуется меньше времени для анализа всех этих изображений.

Как создавать и обучать модели глубокого обучения

Обучение с нуля

Чтобы обучить глубокую сеть с нуля, вы собираете очень большой набор размеченных данных и разрабатываете сетевую архитектуру, которая изучит функции и модель. Это хорошо для новых приложений или приложений, которые будут иметь большое количество выходных категорий. Это менее распространенный подход, поскольку из-за большого объема данных и скорости обучения этим сетям обычно требуется несколько дней или недель для обучения.

Перенос обучения

Большинство приложений для глубокого обучения используют метод переноса обучения, который включает в себя точную настройку предварительно обученной модели. Вы начинаете с существующей сети, такой как AlexNet или GoogLeNet, и вводите новые данные, содержащие ранее неизвестные классы.После внесения некоторых изменений в сеть вы теперь можете выполнять новую задачу, например классифицировать только собак или кошек вместо 1000 различных объектов. Это также имеет то преимущество, что требуется гораздо меньше данных (обработка тысяч изображений, а не миллионов), поэтому время вычислений сокращается до минут или часов.

Обучение с переносом требует интерфейса к внутренним компонентам уже существующей сети, поэтому его можно хирургическим путем модифицировать и улучшить для новой задачи. В MATLAB® есть инструменты и функции, предназначенные для помощи в переносе обучения.

Извлечение признаков

Несколько менее распространенный и более специализированный подход к глубокому обучению – использование сети в качестве средства извлечения признаков. Поскольку задача всех слоев состоит в том, чтобы изучить определенные функции из изображений, мы можем извлечь эти функции из сети в любой момент в процессе обучения. Затем эти функции можно использовать в качестве входных данных для модели машинного обучения, такой как машины опорных векторов (SVM).

Ускорение моделей глубокого обучения с помощью графических процессоров

Обучение модели глубокого обучения может занять много времени, от нескольких дней до недель. Использование ускорения графического процессора может значительно ускорить процесс. Использование MATLAB с графическим процессором сокращает время, необходимое для обучения сети, и может сократить время обучения для задачи классификации изображений с нескольких дней до нескольких часов. При обучении моделей глубокого обучения MATLAB использует графические процессоры (если они доступны), не требуя от вас понимания того, как явно программировать графические процессоры.

Рис. 4. Команды Deep Learning Toolbox для обучения собственной CNN с нуля или использования предварительно обученной модели для переноса обучения.

Приложения глубокого обучения

Предварительно обученные модели глубокой нейронной сети можно использовать для быстрого применения глубокого обучения к вашим задачам путем переноса обучения или извлечения признаков. Для пользователей MATLAB некоторые доступные модели включают AlexNet, VGG-16 и VGG-19, а также модели Caffe (например, из Caffe Model Zoo), импортированные с помощью importCaffeNetwork.

Используйте AlexNet для распознавания объектов с помощью веб-камеры

Используйте MATLAB, простую веб-камеру и глубокую нейронную сеть для идентификации объектов в вашем окружении.

Пример: обнаружение объектов с помощью глубокого обучения

В дополнение к распознаванию объектов, которое идентифицирует конкретный объект на изображении или видео, для обнаружения объектов также можно использовать глубокое обучение. Алгоритмы обнаружения объектов, такие как YOLO, могут распознавать и находить объект на сцене, а также находить несколько объектов на изображении.

Глубокое обучение с помощью MATLAB

MATLAB упрощает глубокое обучение. Помимо инструментов и функций для управления большими наборами данных, MATLAB также предлагает специализированные наборы инструментов для работы с машинным обучением, нейронными сетями, компьютерным зрением и автоматизированным вождением.

С помощью всего нескольких строк кода MATLAB позволяет вам выполнять глубокое обучение, не будучи экспертом. Быстро приступайте к работе, создавайте и визуализируйте модели, а также развертывайте модели на серверах и встроенных устройствах.

Команды успешно используют MATLAB для глубокого обучения, поскольку он позволяет:

MATLAB позволяет создавать модели глубокого обучения с минимальным количеством кода. С помощью MATLAB вы можете быстро импортировать предварительно обученные модели, а также визуализировать и отлаживать промежуточные результаты по мере настройки параметров обучения.

Вы можете использовать MATLAB для обучения и получения опыта в области глубокого обучения. Большинство из нас никогда не проходили курс глубокого обучения. Мы должны учиться на работе. MATLAB делает изучение этой области практичным и доступным. Кроме того, MATLAB позволяет экспертам в предметной области выполнять глубокое обучение, вместо того чтобы передавать задачу специалистам по обработке и анализу данных, которые могут не знать вашу отрасль или приложение.

MATLAB позволяет пользователям интерактивно маркировать объекты на изображениях и может автоматизировать наземную маркировку правды в видео для обучения и тестирования моделей глубокого обучения. Этот интерактивный автоматизированный подход может привести к лучшим результатам за меньшее время.

MATLAB может объединить несколько доменов в одном рабочем процессе. С MATLAB вы можете думать и программировать в одной среде. Он предлагает инструменты и функции для глубокого обучения, а также для ряда областей, связанных с алгоритмами глубокого обучения, таких как обработка сигналов, компьютерное зрение и анализ данных.

Благодаря MATLAB вы можете интегрировать результаты в существующие приложения.MATLAB автоматизирует развертывание моделей глубокого обучения в корпоративных системах, кластерах, облаках и встроенных устройствах.

< /p>

Изображенный роботами мир нашего недалекого будущего во многом зависит от нашей способности успешно внедрять искусственный интеллект (ИИ). Однако превратить машины в мыслящие устройства не так просто, как может показаться. Сильный ИИ может быть достигнут только с помощью машинного обучения (МО), чтобы помочь машинам понимать, как люди.

Машинное обучение может сбивать с толку, поэтому важно начать с четкого определения термина:

Машинное обучение — это применение ИИ, позволяющее системам учиться и совершенствоваться на основе опыта без явного программирования. Машинное обучение направлено на разработку компьютерных программ, которые могут получать доступ к данным и использовать их для самостоятельного обучения.

Как работает машинное обучение?

Подобно тому, как человеческий мозг получает знания и понимание, машинное обучение опирается на входные данные, такие как обучающие данные или графики знаний, для понимания сущностей, доменов и связей между ними. Когда сущности определены, можно начинать глубокое обучение.

Процесс машинного обучения начинается с наблюдений или данных, таких как примеры, непосредственный опыт или инструкции. Он ищет шаблоны в данных, чтобы позже сделать выводы на основе предоставленных примеров. Основная цель машинного обучения — позволить компьютерам учиться автономно, без вмешательства или помощи человека, и соответствующим образом корректировать действия.

Почему машинное обучение важно?

Концепция машинного обучения существует уже довольно давно. Термин «машинное обучение» был придуман Артуром Сэмюэлем, ученым-компьютерщиком из IBM и пионером в области искусственного интеллекта и компьютерных игр. Сэмюэл разработал компьютерную программу для игры в шашки. Чем больше программа играла, тем больше она узнавала из опыта, используя алгоритмы для прогнозирования.

Машинное обучение как дисциплина исследует анализ и построение алгоритмов, которые могут обучаться и делать прогнозы на основе данных.

Машинное машинное обучение доказало свою ценность, поскольку оно может решать проблемы со скоростью и в таких масштабах, которые не могут быть воспроизведены только человеческим разумом. Обладая огромными вычислительными возможностями для выполнения одной или нескольких конкретных задач, машины можно научить выявлять закономерности и взаимосвязи между входными данными и автоматизировать рутинные процессы.

Данные — ключ к успеху. Алгоритмы, управляющие машинным обучением, имеют решающее значение. Алгоритмы машинного обучения строят математическую модель на основе выборочных данных, известных как «данные для обучения», чтобы делать прогнозы или принимать решения без явного программирования для этого. Это может выявить тенденции в данных, которые информационные компании могут использовать для улучшения процесса принятия решений, оптимизации эффективности и сбора данных, которые можно использовать в любом масштабе.
Искусственный интеллект — это цель. Машинное обучение обеспечивает основу для систем искусственного интеллекта, которые автоматизируют процессы и автономно решают бизнес-задачи на основе данных. Это позволяет компаниям заменять или дополнять определенные человеческие способности. Распространенные приложения машинного обучения, которые вы можете найти в реальном мире, включают чат-боты, беспилотные автомобили и распознавание речи.

Машинное обучение получило широкое распространение

Машинное обучение — это не научная фантастика. Он уже широко используется предприятиями во всех секторах для продвижения инноваций и повышения эффективности процессов. В 2021 году 41% компаний ускорили внедрение ИИ из-за пандемии. Эти новички присоединяются к 31 % компаний, которые уже используют искусственный интеллект или активно тестируют технологии искусственного интеллекта.

Методы обучения машинному обучению различаются

Машинное обучение предлагает очевидные преимущества для технологий искусственного интеллекта. Но какой подход к машинному обучению подходит для вашей организации? Существует множество методов обучения машинному обучению, в том числе:

обучение под наблюдением
обучение без учителя
полуконтролируемое обучение

Давайте посмотрим, что каждый может предложить.

Контролируемое обучение: больше контроля, меньше предвзятости

Алгоритмы контролируемого машинного обучения применяют то, что было изучено в прошлом, к новым данным, используя помеченные примеры для прогнозирования будущих событий. Анализируя известный набор обучающих данных, алгоритм обучения создает предполагаемую функцию для прогнозирования выходных значений. Система может предоставить цели для любого нового ввода после достаточного обучения. Он также может сравнивать свои выходные данные с правильными предполагаемыми выходными данными, чтобы найти ошибки и соответствующим образом изменить модель.

Неконтролируемое обучение: скорость и масштаб

Алгоритмы неконтролируемого машинного обучения используются, когда информация, используемая для обучения, не классифицируется и не помечается. Неконтролируемое обучение изучает, как системы могут вывести функцию для описания скрытой структуры из немаркированных данных.Система ни в коем случае не знает правильный вывод с уверенностью. Вместо этого он делает выводы из наборов данных о том, какими должны быть выходные данные.

Обучение с подкреплением: вознаграждение за результаты

Алгоритмы машинного обучения с подкреплением – это метод обучения, который взаимодействует с окружающей средой, производя действия и обнаруживая ошибки или вознаграждения. Наиболее важными характеристиками обучения с подкреплением являются поиск методом проб и ошибок и отсроченное вознаграждение. Этот метод позволяет машинам и программным агентам автоматически определять идеальное поведение в определенном контексте, чтобы максимизировать его производительность. Простая обратная связь с вознаграждением, известная как сигнал подкрепления, необходима для того, чтобы агент понял, какое действие лучше.

Машинное обучение не идеально

Важно понимать, что может машинное обучение, а что нет. Как бы это ни было полезно для автоматизации передачи человеческого интеллекта машинам, это далеко не идеальное решение ваших проблем, связанных с данными. Учтите следующие недостатки, прежде чем слишком углубляться в пул машинного обучения:

Машинное обучение не основано на знаниях. Вопреки распространенному мнению, машинное обучение не может достичь уровня человеческого интеллекта. Машины управляются данными, а не человеческими знаниями. В результате «интеллект» определяется объемом данных, которые вы должны использовать для его обучения.
Модели машинного обучения сложно обучать. 81% специалистов по обработке и анализу данных признают, что обучение ИИ на данных сложнее, чем ожидалось. Для обучения машин требуется время и ресурсы. Для создания моделей данных необходимы огромные наборы данных, и этот процесс включает в себя предварительную маркировку и категоризацию наборов данных вручную. Такая утечка ресурсов может привести к задержкам и узким местам в продвижении инициатив машинного обучения.
При машинном обучении возникают проблемы с данными. Девяносто шесть процентов компаний столкнулись с проблемами, связанными с обучением, с качеством данных, маркировкой данных и созданием уверенности в модели. Эти проблемы, связанные с обучением, являются ключевой причиной, по которой семьдесят восемь процентов проектов машинного обучения останавливаются до развертывания. Это создало чрезвычайно высокий порог успеха машинного обучения.
Машинное обучение часто необъективно. Известно, что системы машинного обучения работают в «черном ящике», то есть вы не видите, как машина учится и принимает решения. Таким образом, если вы идентифицируете случай предвзятости, вы не сможете определить, что ее вызвало. Единственный выход — переобучить алгоритм с дополнительными данными, но это не гарантирует решения проблемы.

Будущее машинного обучения: гибридный ИИ

Несмотря на все свои недостатки, машинное обучение по-прежнему имеет решающее значение для успеха искусственного интеллекта. Однако этот успех будет зависеть от другого подхода к ИИ, который устраняет его слабые стороны, такие как проблема «черного ящика», возникающая, когда машины обучаются без присмотра. Этот подход представляет собой символический ИИ или основанную на правилах методологию обработки данных. В символическом подходе для определения понятий и семантических отношений используется граф знаний, представляющий собой открытое поле.

Вместе машинное обучение и символический ИИ образуют гибридный ИИ — подход, который помогает ИИ понимать язык, а не только данные. Благодаря более глубокому пониманию того, что было изучено и почему, этот мощный подход меняет способ использования данных на предприятии.

Расширение возможностей машинного обучения в гибридном ИИ

Узнайте, чем гибридный ИИ отличается от традиционного машинного обучения и как он изменит то, как мы используем наши данные.

Читайте также: