|
|
Aktivizace žáků ve vztahu ke skupinové práci v hodinách biologie
Janovska, Kateřina ; Rajsiglová, Ina (vedoucí práce) ; Blažová, Kateřina (oponent)
Bakalářská práce "Aktivizace žáků ve vztahu ke skupinové práci v hodinách biologie" pojednává o podstatě aktivizace žáků a významu skupinové práce s prvky kooperace. Práce obsahuje vymezení aktivizace, aktivního učení, kooperace skupiny a práci v ní. Udává příklady modelů a metod podporující aktivizaci žáků, které jsou navíc i vhodné pro skupinové práce v hodinách biologie. Mimo jiné, poukazuje na využití těchto modelů a metod, jakožto podporu ve školách v post-covidovém období. Klíčová slova Aktivizace žáků, aktivní učení, aktivizační metody, konstruktivismus, modely výuky, skupinová práce
|
|
|
Computer Vision with Active Learning
Kolář, Martin ; Machová, Kristína (oponent) ; Arridge, Simon (oponent) ; Zemčík, Pavel (vedoucí práce)
Machine Vision methods benefit from improving models, tuning trained parameters, or labeling representative data. In a series of experiments, this work validates the hypothesis that Active Learning improves the accuracy of these models. By extending the pseudolabel framework to Active Learning, this work includes a One-shot-learning approach to learn novel image categories by utilising an algorithmic recommender, an online Graphical User Interface to optimise the online Exploration/Exploitation tradeoff for tagging, and a two-step offline binary Active Learning framework to improve the quality of data used for Font Capture. By demonstrating the benefit of Active Learning in these approaches, this work contributes to the hypothesis, as well as concrete Machine Vision applications.
|
|
|
Active learning for Bayesian neural networks in image classification
Belák, Michal ; Šabata, Tomáš (vedoucí práce) ; Vomlelová, Marta (oponent)
V posledných rokoch dosahujú zložité neurónové siete špičkové výsledky v klasifikácií obrazu. Trénovanie takýchto modelov však vyžaduje veľké množstvo označkovaných dát. Kým neoznačkované obrázky sú často dostupné vo ve ľkom množstve, značkovanie vyžaduje značné ľudské úsilie. Aktívne učenie znižuje nároky na značkovanie vyberan ím najinformatívnejších inštancií na označkovanie. Najpoužívanejšia rodina stratégií pre vyberanie inštancií na znač kovanie v aktívnom učení využíva odhad neistoty predpovedí modelu, ktorý sa trénuje. Moderné neurónové siete vš ak často neposkytujú spoľahlivé odhady neistoty. Bayesovské neurónové siete modelujú neistotu parametrov model u, ktorá sa premieta do neistoty v predpovediach modelu. Presná Bayesovská inferencia je však neriešiteľná pre neur ónové siete, v literatúre však existujú rôzne približné metódy. V našich experimentoch používame tri takéto metódy, ktoré kombinujeme s rôznymi stratégiami pre vyberanie inštancií, využívajúcimi neistotu v ich predpovediach.
|
|
|
Historické učivo v primární škole
Šulcová, Jana ; Dvořáková, Michaela (vedoucí práce) ; Stará, Jana (oponent)
Tato diplomová práce pojednává o historickém učivu v primární škole a hledá možnosti, jak ho efektivně vyučovat. Jejím cílem je provést analýzu vzdělávacích cílů historického učiva primární školy. V úvodu se věnuje otázce, proč by historie měla být součástí výuky na 1. stupni základní školy. Dále práce porovnává pojetí historického vzdělávání na primární škole v našich podmínkách s koncepcemi států, jejichž cíle a metody historického myšlení jsou pro nás inspirující. Na základě zjištění a doporučení domácích i zahraničních výzkumů jsou v empiricko-didaktické části diplomové práce navrženy výukové lekce k vybranému tématu historického učiva se zřetelem na diagnostiku a rozvoj historického myšlení. Navržené lekce byly realizovány ve 2. ročníku základní školy. Na závěr každé lekce je zhodnocení efektivity navržených postupů prostřednictvím rozboru pracovních listů a porovnáním výsledků vstupní a výstupní myšlenkové mapy i křídového mluvení. Celý soubor lekcí je vyhodnocen pomocí rozboru závěrečných hodnotících listů žáků.
|
|
| |
|
| |
|
|
Active Learning pro zpracování archivních pramenů
Hříbek, David ; Zbořil, František (oponent) ; Rozman, Jaroslav (vedoucí práce)
V teto praci je reseno vytvoreni systemu, ktery umoznuje nahrani a anotaci skenu historickych dokumentu a nasledne aktivni doucovani modelu pro rozpoznavani znaku (OCR) na dostupnych anotacich (vyznacenych radcich a jejich prepisech). V praci je popsan proces, klasifikovany techniky a uveden existujici system pro rozpoznavani znaku. Predevsim je kladen duraz na metody strojoveho uceni. Dale jsou vysvetleny metody aktivniho uceni a navrhnut zpusob doucovani OCR modelu z anotovanych skenu. Zbytek prace se zabyva konkretnim navrhem, implementaci, dostupnymi datasety, vyhodnocenim uspesnosti rozpoznavani znaku vlastnorucne vytvoreneho OCR modelu a testovanim celeho systemu.
|
|
|
Active learning for Bayesian neural networks in image classification
Belák, Michal ; Šabata, Tomáš (vedoucí práce) ; Vomlelová, Marta (oponent)
V posledných rokoch dosahujú zložité neurónové siete špičkové výsledky v klasifikácií obrazu. Trénovanie takýchto modelov však vyžaduje veľké množstvo označkovaných dát. Kým neoznačkované obrázky sú často dostupné vo ve ľkom množstve, značkovanie vyžaduje značné ľudské úsilie. Aktívne učenie znižuje nároky na značkovanie vyberan ím najinformatívnejších inštancií na označkovanie. Najpoužívanejšia rodina stratégií pre vyberanie inštancií na znač kovanie v aktívnom učení využíva odhad neistoty predpovedí modelu, ktorý sa trénuje. Moderné neurónové siete vš ak často neposkytujú spoľahlivé odhady neistoty. Bayesovské neurónové siete modelujú neistotu parametrov model u, ktorá sa premieta do neistoty v predpovediach modelu. Presná Bayesovská inferencia je však neriešiteľná pre neur ónové siete, v literatúre však existujú rôzne približné metódy. V našich experimentoch používame tri takéto metódy, ktoré kombinujeme s rôznymi stratégiami pre vyberanie inštancií, využívajúcimi neistotu v ich predpovediach.
|
|
|
Aktivní učení s neuronovými sítěmi
Bureš, Tomáš ; Kolář, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Práce se věnuje problematice aktivního učení a jeho spojení s neuronovými sítěmi. Nejprve obsahuje úvod do problematiky, nastínění metod prozkoumaných metod aktivního učení. Následuje praktická část s experimenty zkoumající jednotlivé strategie a jejich vyhodnocování.
|
|
|
Aktivní učení pro rozpoznávání textu
Kohút, Jan ; Kolář, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Cílem této práce je navrhnout metody aktivního učení a provést experimenty nad datovou sadou historických dokumentů. Pro experimenty využívám rozsáhlý a rozmanitý dataset IMPACT o více než jednom milionu řádků. Pomocí neuronových sítí provádím kontrolu vhodnosti řádků, tzn. čitelnosti a správnosti přepisů. Nejprve srovnávám architektury neuronových sítí, a to jak sítě čistě konvoluční, tak sítě obsahující obousměrnou rekurentní vrstvu LSTM. Dále se zabývám přístupy k učení neuronových sítí pomocí aktivního učení a samotnými metodami aktivního učení. Aktivní učení využívám zejména pro adaptaci neuronových sítí na jiné textové dokumenty, než na kterých byla původní síť učena. Aktivní učení tedy slouží k výběru vhodných adaptačních dat. Čistě konvoluční neuronové sítě dosahují úspěšnosti 98.6 %, rekurentní sítě pak 99.5 %. Chyba při adaptaci s využitím aktivního učení je o 26 % nižší než chyba při náhodném výběru dat.
|
host ::
RSS.