Academic literature on the topic 'Djupinlärning'

I denna artikel diskuteras begreppen ytinlärning och djupinlärning. Artikeln syftar till en kritisk granskning av hur dessa två begrepp präglar olika sätt att tala om lärande, främst i en samtida, praktiskt orienterad högskolepedagogisk kontext. I artikeln argumenterar jag för att begreppsparet genom att kontrastera yta mot djup har en inneboende normativ potential, varigenom vissa sätt att lära implicit värderas som bättre än andra. I takt med att begreppsanvändningen har avlägsnats alltmer från den ursprungliga forskningskontext där de myntades, har den normativa potentialen gradvis kommit att realiseras. Detta har skett inte minst genom att begreppen har förbundits med andra, tydligt värderande termer, vilket har tenderat att förstärka det normativa draget hos begreppen. Detta beläggs och diskuteras i artikeln utifrån ett antal exempel från en nutida svensk högskolepedagogisk diskurs. Artikelns bärande idé är att det är nödvändigt med en kritisk reflektion, inte bara kring vad vi säger om lärande, utan också kring hur vi säger det.

Algoritmer baserade på reinforcement learning har framgångsrikt tillämpats på många olika maskininlärningsproblem. I denna rapport presenterar vi hur vi implementerar varianter på deep Q-learning-algoritmer på det klassiska datorspelet Snake. Vi ämnar undersöka hur en sådan algoritm ska konfigureras för att lära sig spela Snake så bra som möjligt. För att göra detta studerar vi hur inlärningen beror på ett urval av parametrar, genom att variera dessa en och en och studera resultaten. Utifrån detta lyckas vi konstruera en algoritm som lär sig spela spelet så pass bra att den som högst får 66 poäng, vilket motsvarar att täcka 46 % av spelplanen, efter drygt fem timmars träning. Vidare så finner vi att den tränade algoritmen utan större svårigheter hanterar att hinder introduceras i spelet.
Reinforcement learning algorithms have proven to be successful at various machine learning tasks. In this paper we implement versions of deep Q-learning on the classic video game Snake. We aim to find out how this algorithm should be configured in order for it to learn to play the game as well as possible. To do this, we study how the learning performance of the algorithm depends on some of the many parameters involved, by changing one parameter at a time and recording the effects. From this we are able to set up an algorithm that learns to play the game well enough to achieve a high score of 66 points, corresponding to filling up 46\% of the playing field, after just above 5 hours of training. Further, we find that the trained algorithm can cope well with an obstacle being added to the game.

Allt fler misshandelsbrott sker i Sverige enligt Brå. För att reducera detta kan det som fångats på övervakningskameror användas i brottsutredningar, för att senare användas som bevismaterial till att döma den eller de skyldiga till brottet. Genom att optimera övervakningen kan företag använda sig av automatiserad igenkänning. Automatisering för igenkänningen av normala kontra onormala beteenden går att lösa med djupinlärning. Syftet med denna undersökning är att finna en lämplig modell som kan identifiera det onormala beteendet (till exempel ett slagsmål). Modell arkitekturen som användes under projektet var 3D ResNet, eftersom den klara av en djupare arkitektur. Ett djupare nätverk, innebär bättre prediktion av problemet. 3DResNet-34 var den modell arkitekturen som gav högst noggrannhet med 93,33%. Implementering av projektet utfördes i ramverket PyTorch. Undersökningen har visat att med           hjälp av överförd inlärning går det att återanvända kunskap från förtränade modeller och applicera dessa kunskaper på det aktuella problemet. Detta bidrar till en mer pålitligare modell med noggrann prediktion på nytt övervaknings           material.
According to Brå, more assault crimes are taking place in Sweden. To reduce this, information that was captured on surveillance cameras can be used in criminal investigations, to convict the perpetrator or perpetrators of the crime. To optimize monitoring, companies can use automation. Automation of the recognition of normal versus abnormal activities can be solved with deep learning. The purpose of this study is to find a suitable model that can identify               the abnormal activity (for example, a fight). The model architecture used during the project was 3D ResNet, because it was capable of handling deeper architectures. Having a deeper network means better prediction of the problem.           3D ResNet-34 was the model architecture that gave the highest accuracy with 93,33%. Implementation of the project was carried out in the framework of PyTorch. The study has shown that with the help of transfer learning it is possible to transfer knowledge from pre-trained models and apply this          knowledge to the current problem. This contributes to a more reliable model with accurate prediction for new surveillance footage.

Följande frågor ligger till grund för vårt arbete: - Har eleverna förstått No-undervisningen på det sätt läraren undervisat? - Vilka metoder är bättre än andra för att eleverna ska tillgodogöra sig undervisningen? Vi har dels gjort en litteraturgenomgång dels en enkätstudie för att få svar på frågorna. Vi har kommit fram till att majoriteten av eleverna har förstått lärarens undervisning och att laborationer i kombination med diskussioner har gett bra resultat.

Mabema har en produkt som mäter vedvolym av virkestravar på lastbilar. Systemet är byggt på att en bildbehandlingsalgoritm hittar silhuetterna av stockarna på renderade bilder av lastbilstravar. Arbetsgivaren är inte helt nöjd med prestandan av algoritmen och vill utreda om djupinlärning kan förbättra resultatet. Detta arbete undersöker hur diameterfördelningen i varje trave kan estimeras med hjälp av djupinlärning och objektdetektering i synnerhet. Två metoder granskas, den ena hanterar problemet abstrakt med djup regression medan den andra metoden går in i detalj och nyttjar objektigenkänning för att hitta stockändar. Arbetet utvärderar även möjliheterna att träna dessa modeller baserat på data från fysiska simulationer. Det visar sig vara användbart att nyttja syntetisk data för träning och med transfer learning lyckas de syntetiska modellen uppnå kraven Biometria ställer på automatiserad diameterberäkning. Med objektdetektering visar det sig också gå att uppnå samma prestanda som arbetsgivarens algoritm med en bättre stocksökning tre gånger så snabbt eller snabbare.

I takt med den nya utvecklingen av fotonräknande datortomografi med möjligheter till lägre stråldoser kommer även krav på bättre metoder för brusreducering och bildrekonstruktion. För att lösa detta problem föreslås appliceringen av ett neuralt nätverk för att filtrera bort brus och rekonstruera bilderna. Detta kan göras både före och efter övergången från sinogramdomänen till bilddomänen. Denna rapport undersöker tillämpningen av ett sådant neuralt nätverk i sinogramdomänen med fokus på hur hyperparametrarna ska bestämmas för att uppnå optimala resultat. Datamängden som tränades på bestod av basmaterialsuppdelade sinogram i form av datorsimulerade Shepp-Logan-fantomer. Hyperparametrarna som undersöktes var batchstorlek, epoker, förlustfunktion och antal faltningslager.

Det här är en systematisk litteraturstudie som belyser förhållandet mellan de tre begreppen entreprenöriellt förhållningssätt, problemlösning i matematik och djupinlärning i matematik. Resultatet består av två metaanalyser som behandlar begreppens likheter och skillnader men också dess samband till olika teoretiska utgångspunkter. Resultatet visar att det finns starka samband mellan vissa entreprenöriella förmågor och problemlösning i matematik. Dock kan det finnas ett behov av att införa vissa entreprenöriella aspekter, som ansvar, engagemang och komplexitet, i undervisning i syfte att hjälpa eleverna att uppnå en djupinlärning i matematik. Resultatet visar också att undervisningsproblem ofta uppstår genom en sambandsbrist mellan lärare och elev. Resultatet analyseras och diskuteras utifrån perspektivet att världen snabbt förändras och innehåller en allt större komplexitet vilket leder till ett behov av att förbereda eleverna matematiskt inför denna allt mer komplexa värld.

Deep learning methods have the ability to accurately predict and interpret what data represents. However, the decision making of a deep learning model is not comprehensible for humans. This is a problem for sectors like market surveillance which needs clarity in the decision making of the used algorithms. This thesis aimed to investigate how a deep learning model can be constructed to make the decision making of the model humanly comprehensible, and to investigate the potential impact on classification performance. A literature study was performed and publicly available explanation methods were collected. The explanation methods LIME, SHAP, model distillation and SHAP TreeExplainer were implemented and evaluated on a ResNet trained on three different time-series datasets. A decision tree was used as the student model for model distillation, where it was trained with both soft and hard labels. A survey was conducted to evaluate if the explanation method could increase comprehensibility. The results were that all methods could improve comprehensibility for people with experience in machine learning. However, none of the methods could provide full comprehensibility and clarity of the decision making. The model distillation reduced the performance compared to the ResNet model and did not improve the performance of the student model.
Djupinlärningsmetoder har egenskapen att förutspå och tolka betydelsen av data. Däremot så är djupinlärningsmetoders beslut inte förståeliga för människor. Det är ett problem för sektorer som marknadsövervakning som behöver klarhet i beslutsprocessen för använda algoritmer. Målet för den här uppsatsen är att undersöka hur en djupinlärningsmodell kan bli konstruerad för att göra den begriplig för en människa, och att undersöka eventuella påverkan av klassificeringsprestandan. En litteraturstudie genomfördes och publikt tillgängliga förklaringsmetoder samlades. Förklaringsmetoderna LIME, SHAP, modelldestillering och SHAP TreeExplainer blev implementerade och utvärderade med en ResNet modell tränad med tre olika dataset. Ett beslutsträd användes som studentmodell för modelldestillering och den blev tränad på båda mjuka och hårda etiketter. En undersökning genomfördes för att utvärdera om förklaringsmodellerna kan förbättra förståelsen av modellens beslut. Resultatet var att alla metoder kan förbättra förståelsen för personer med förkunskaper inom maskininlärning. Däremot så kunde ingen av metoderna ge full förståelse och insyn på hur beslutsprocessen fungerade. Modelldestilleringen minskade prestandan jämfört med ResNet modellen och förbättrade inte prestandan för studentmodellen.

Detta är en avhandling om hur elever i en årskurs sex får en större erfarenhet av alternativa prov i jämförelse med traditionella prov i avseende på deras lärande. De fick tre olika prov varav ett var ett traditionellt skriftligt prov, som främst testade deras minneskunskap. De andra två proven var alternativa prov. Eleverna fick sedan besvara en del frågor om hur de upplevde dessa två olika former av prov. Resultatet var blandat, en del elever föredrog det alternativa provet, en del inte. De flesta eleverna trodde dock att de lärde sig mer från de alternativa proven eftersom frågorna var mer öppna och att de då fick möjlighet att tänka ut svaren i ett större sammanhang.
This is an essay about how students in sixth class possess any experience about alternative test in comparison to a traditional assessment considering their learning. During this examination the students received three different examples; the first one was a traditional written test, which mainly tests their memory knowledge. The other two tests were alternative tests. The students had to answer some questions concerning their experience about these two different kinds of tests. The results we got from the study were divergent. Some of the students liked it and some didn’t. But most of the students thought that they learned more from the alternative tests, because the questions in this test were more open, and because of that they had some opportunity to think about the answers in a larger context.

Abstract: I rapporten intervjuas fyra mellanstadielärare på en 4-6 skola i Borås stad, om deras syn på praktisk matematik. I vilken utsträckning använder sig lärarna av praktisk matematik, när använder dom det, hur ser de på själva uppgiften samt om uppgifterna ökar elevernas motivation, lust och förståelse för matematik.

Intervjuerna deklarerar att det finns en stor osäkerhet i hur praktisk matematik skall användas och vilka fördelar den för med sig. Lärarna anser att det bedrivs för lite praktisk matematik på skolan, bokens trygghet lockar allt för mycket. Lärarna poängterar också att vissa områden är lättare än andra att applicera praktisk matematik på. Det finns inte någon direkt uttalad linje när det gäller praktiska moment utan det kommer när det kommer. Däremot är man överens om att lusten och motivationen ofta stärks och att de svaga eleverna får möjlighet att lyckas. Vissa forskare menar att ett praktiskt arbetssätt är helt nödvändigt för att ta upp kunskapen på en ny nivå. Kunskapen måste kunna sättas in i en kontext för att djupinlärning skall erhållas.

Syftet med denna undersökning var att ta reda på hur en grupp elevers lärande påverkades genom användning av olika lärstilar som renodlats. Detta genomfördes som en fallstudie i vilken jag ställde mig frågorna:

Vilka olika lärstilar har mina elever?

Hur kan undervisningen utformas så att olika lärstilar renodlas?

Hur påverkas elevernas lärande av undervisning där olika lärstilar har renodlats?

Fallstudien bestod av flera olika kvalitativa metoder. Först lät jag eleverna utföra ett par lärstilstest för att få en uppfattning om vilka lärstilar som fanns representerade i gruppen. Jag utgick från teorier om sinnespreferenser och multipla intelligenser. Nästa del av fallstudien var att utveckla en lektionsplanering där jag renodlade vissa lärstilar. Här utgick jag från alla inspirationskällor jag hittade, litteratur, kollegor, eleverna osv. Jag utgick också från resultaten av lärstilstesten. Under lektionerna skrev eleverna och jag ner våra reflektioner i loggböcker.

Sista delen av studien var att ta reda på hur elevernas lärande påverkats av undervisningen där olika lärstilar hade renodlats. För detta gjordes en skriftlig utvärdering.

Vi fick reda på en hel del om vilka olika lärstilar eleverna har. Jag har lärt mig mycket mer om hur jag kan utforma min undervisning så att jag renodlar vissa lärstilar. Elevernas lärande påverkades synnerligen gynnsamt av undervisning där olika lärstilar renodlades. Jag har fått indikationer på att några av eleverna upplevde att de lärde sig mer djupinriktat. Deras motivation och lust ökade. De kreativa inslagen i undervisningen uppskattades mycket; musik, lek och skrivande, men framförallt variationen av undervisningssätt.