Experimenty s metodami Active Learning na rozsáhlých datasetech přirozeného jazyka

Mladý, Jakub

Experimenty s metodami Active Learning na rozsáhlých datasetech přirozeného jazyka

dc.contributor.advisor	Sido Jakub, Ing.
dc.contributor.author	Mladý, Jakub
dc.contributor.referee	Pražák Ondřej, Ing.
dc.date.accepted	2023-8-29
dc.date.accessioned	2023-09-04T22:16:04Z
dc.date.available	2022-10-3
dc.date.available	2023-09-04T22:16:04Z
dc.date.issued	2023
dc.date.submitted	2023-6-21
dc.description.abstract	Aktivní učení je přístup k trénování modelů umělé inteligence v rámci učení s učite- lem. Motivací k jeho zavedení je šetření času a finančních prostředků při pořizování anotací trénovacích dat, jež jsou v mnoha úlohách strojového učení potřebné. Jeho paradigma je jednoduché: předpoklady jsou datová sada s několika málo označenými daty, model a anotátor. Následně do splnění vhodně zvolené ukončovací podmínky probíhá následující cyklus - naučit model na označené podmnožině, vybrat několik neoznačených vzorků a dotázat se anotátora na označení vybraných vzorků. Kri- tickou částí systému je pak výběr vzorků. Při použití vhodné strategie je možné vybrat takové prvky, jejichž naučením se model zlepší nejvíce. Právě tyto strategie jsou hlavním předmětem výzkumu aktivního učení. Tato práce nabízí průzkum již existujících strategií a poskytuje hodnocení přínosu některých strategií a aktivního učení jako celku z výsledků navržených experimentů.	cs
dc.description.abstract-translated	Active learning is an approach to training artificial intelligence models within super- vised learning. The motivation for its introduction comes from the need to spare time and financial resources in obtaining labels for the training data, which are fundamental for many machine learning tasks. Its paradigm is simple: the precon- ditions are a training dataset with a few data labeled, the model and an annotator. Then, the following cycle is repeated until some suitable terminal condition is met - train the model on labeled data, query for more unlabeled data and let the annotator provide the labels for the queried instances. The critical part of such a system lies in the startegy of querying for new data samples. With a desirable strategy, such data labels could be obtained, that imporve the model the most. These query strategies are the main subject of ongoing research in active learning. This work offers a sur- vey of existing strategies and provides evaluation of contribution of some chosen strategies and active learning as a whole from the results of proposed experiments.	en
dc.description.result	Obhájeno
dc.format	51
dc.identifier	93744
dc.identifier.uri	http://hdl.handle.net/11025/53926
dc.language.iso	cs
dc.publisher	Západočeská univerzita v Plzni
dc.rights	Plný text práce je přístupný bez omezení
dc.subject	aktivní učení	cs
dc.subject	zpracování přirozeného jazyka	cs
dc.subject	umělá inteligence	cs
dc.subject	strojové učení	cs
dc.subject	neuronové sítě	cs
dc.subject	transformery	cs
dc.subject	huggingface	cs
dc.subject	metacentrum	cs
dc.subject	pytorch	cs
dc.subject	modal	cs
dc.subject	small-text	cs
dc.subject	weights and biases	cs
dc.subject.translated	active learning	en
dc.subject.translated	natural language processing	en
dc.subject.translated	artificial intelligence	en
dc.subject.translated	machine learning	en
dc.subject.translated	neural networks	en
dc.subject.translated	transformers	en
dc.subject.translated	huggingface	en
dc.subject.translated	metacentrum	en
dc.subject.translated	pytorch	en
dc.subject.translated	modal	en
dc.subject.translated	small-text	en
dc.subject.translated	weights and biases	en
dc.thesis.degree-grantor	Západočeská univerzita v Plzni. Fakulta aplikovaných věd
dc.thesis.degree-level	Bakalářský
dc.thesis.degree-name	Bc.
dc.thesis.degree-program	Informatika a výpočetní technika
dc.title	Experimenty s metodami Active Learning na rozsáhlých datasetech přirozeného jazyka	cs
dc.type	bakalářská práce