Cel´y kurz je zasazen do e-learningov´eho port´alu ALS (viz pˇredchoz´ı kapitolu 5.1.3).
V ´uvodn´ı ˇc´asti je pˇripraven´e kr´atk´e pov´ıd´an´ı, kter´e shrnuje a uv´ad´ı cel´y kurz. Je v n´ı zm´ınka o tom, ˇze je souˇc´ast´ı t´eto diplomov´e pr´ace, a ˇze je to experiment ve vy-tvoˇren´ı kurzu, kter´y respektuje popisovan´y MOOC form´at. Pˇrisp´ıv´a t´ımto zp˚usobem k anal´yze tohoto form´atu.
Tento kurz je zamˇeˇren zejm´ena na vysokoˇskolsk´e studenty. Dalˇs´ı kurzy v po-dobn´em duchu by mˇely slouˇzit jako doplnˇek a podpora k samotn´emu studiu. Napˇr.
pro zlepˇsen´ı a objasnˇen´ı jeho probl´emov´ych parti´ı. Hlavn´ı myˇslenkou je ale posky-tov´an´ı zaj´ımav´ych t´emat napˇr´ıˇc r˚uzn´ymi obory i pro ˇsirˇs´ı veˇrejnost.
Po tomto ´uvodu n´asleduj´ı ˇctyˇri sekce, do kter´ych je rozdˇelen´e pov´ıd´an´ı o line´arn´ı regresi. Postupnˇe se v nˇem mluv´ı o reprezentaci modelu a tvorbˇe hodnotov´e funkce.
Jej´ı vyuˇzit´ı v metodˇe postupn´eho kles´an´ı pro z´ısk´an´ı optim´aln´ıch parametr˚u regresn´ı funkce a n´asledn´y n´avod pro naprogramov´an´ı cel´eho algoritmu v libovoln´em progra-movac´ım jazyce.
Kaˇzd´a sekce obsahuje nahran´e video (odkaz na port´al polymedia, na kter´y videa nahr´av´a syst´em EduArt 5.1.1), pˇriloˇzenou prezentaci, kontroln´ı ot´azku z probran´e l´atky a odkaz na extern´ı materi´aly.
Po shl´ednut´ı vˇsech materi´al˚u m´a student moˇznost ovˇeˇren´ı sv´ych nabyt´ych zna-lost´ı. Prvn´ı z moˇznost´ı je test o pˇeti ot´azk´ach, kter´e se generuj´ı z pˇripraven´eho bal´ıku ot´azek. Student nen´ı omezen poˇctem pokus˚u a test m˚uˇze opakovat kolikr´at
chce. Pro zv´ıdavˇejˇs´ı je zde druh´a moˇznost, v kter´em je zad´an´ı pro jednoduch´e pro-gramovac´ı cviˇcen´ı. Doporuˇcen´e je zpracov´an´ı v jazyce Python. Pro tuto moˇznost je pops´an i zp˚usob instalace potˇrebn´eho softwaru a jsou uvedeny odkazy na n´avody pro zaˇc´ateˇcn´ıky v tomto jazyce. Nen´ı to ale omezen´ı a uˇzivatel si tak ´ulohu m˚uˇze naprogramovat v libovoln´em jazyce dle sv´e volby.
Z´ avˇ er
D´ıky t´eto pr´aci jsem si prohloubil znalosti z oblasti strojov´eho uˇcen´ı, kter´e d´ıky tomu budu moct aplikovat v dataminingov´ych ´uloh´ach. Sezn´amil jsem se s problemati-kou MOOC kurz˚u a s´am jsem si jeden kurz vyzkouˇsel. Nadchl mˇe zp˚usob, kter´ym dok´aˇze b´yt l´atka vyuˇcov´ana. Velk´ym pˇr´ınosem byla moˇznost okamˇzit´e aplikace na-byt´ych znalost´ı v programovac´ıch cviˇcen´ı. Do budoucna jsem velmi namotivov´an pro vyzkouˇsen´ı nˇekter´eho z dalˇs´ıch kurz˚u.
Po z´ısk´an´ı potˇrebn´ych znalost´ı jsem vytvoˇril v´yukov´y program, kter´y student˚um dovol´ı peˇclivˇe prozkoumat chov´an´ı algoritmu Support Vector Machines. Velk´ym pˇr´ınosem pro mˇe bylo hlubˇs´ı proniknut´ı do programovac´ıho jazyka Python, zejm´ena do webov´eho frameworku Django, v kter´em jsem aplikaci programoval. Takto pˇripraven´y program s demonstrac´ı algoritmu by mohl b´yt v´yborn´ym doplˇnkem MOOC kurz˚u. Zejm´ena pro ´uˇcastn´ıky, kteˇr´ı se nezaj´ımaj´ı o konkr´etn´ı implemen-taci, ale o pouˇzit´ı algoritmu. V praxi by bylo vhodnˇejˇs´ı na re´aln´ych datech vyuˇz´ıt jiˇz existuj´ıc´ı a optimalizovan´e knihovny. Pro pouˇzit´e nasazen´ı ale m´a implementace bez probl´emu postaˇcuje.
Jako t´ema pro zpracov´an´ı ve form´atu MOOC jsem zvolil line´arn´ı regresi. Stalo se tak pˇredevˇs´ım proto, aby pˇr´ıpadn´e pouˇzit´ı naˇseho MOOC pokusu, bylo uˇziteˇcn´e pro vˇetˇs´ı c´ılovou skupinu student˚u. SVM je program pro pˇredmˇet Datamining oboru Informaˇcn´ı technologie, kter´y byl zaˇrazen do kurzu na port´ale ALS a je studenty testov´an. T´ema lin´arn´ı regrese je spoleˇcn´e mnoha obor˚um mnoha fakult TUL. Patˇr´ı k z´akladn´ım znalostem poˇzadovan´ym u st´atnic, proto se zd´alo b´yt uˇziteˇcn´e vy-tvoˇren´ı pr´avˇe tohoto t´ematu jako MOOC kurz. T´ema jsem zasadil do e-learningov´eho port´alu ALS, kter´y dok´azal pokr´yt pomˇernˇe znaˇcnou ˇc´ast potˇreb pro vytvoˇren´ı kurzu v poˇzadovan´em form´atu.
Pro dalˇs´ı tvorbu kurz˚u doporuˇcuji nahr´av´an´ı kr´atk´ych vide´ı, kter´e nebudou stu-denta nudit. Pro podporu jeho pozornosti bych na port´al doplnil moˇznost zastaven´ı videa kv˚uli jednoduch´e kontroln´ı ot´azce, na kterou by musel odpovˇedˇet. Pˇr´ıjemn´ym
pˇr´ınosem m˚uˇze b´yt pˇredpˇripraven´ı diskuzn´ıch kruh˚u, v kter´ych by studenti sd´ıleli sv´e poznatky. Hlavn´ı vlastnost´ı vˇsech kurz˚u by mˇela b´yt jejich co nejvˇetˇs´ı samoob-sluˇznost a moˇznost zpˇetn´e vazby pro dalˇs´ı vylepˇsov´an´ı.
Literatura
[1] Academic Earth. 750+ Free Online Courses From Top Univer-sities — AE.org [online]. 2015. [cit. 7. 4. 2015]. Dostupn´e z:
<http://academicearth.org/>.
[2] Andrew Ng. Machine Learning – Stanford University — Coursera [online].
2014. [cit. 8. 4. 2015]. Dostupn´e z: <https://www.coursera.org/course/ml>.
[3] Berka, P. Dob´yv´an´ı znalost´ı z datab´az´ı. Academia, 2003. Dostupn´e z:
<http://books.google.cz/books?id=tGvFAAAACAAJ>. ISBN 9788020010629.
[4] Canvas Network. Canvas Network — Free online courses — MOOCs [on-line]. 2015. [cit. 7. 4. 2015]. Dostupn´e z: <https://www.canvas.net/>.
[5] Chang, C.-C. – Lin, C.-J. LIBSVM: A library for support vector machines.
ACM Transactions on Intelligent Systems and Technology. 2011, 2, s. 27:1–
27:27. Software available at http://www.csie.ntu.edu.tw/~cjlin/libsvm. [6] Cortes, C. – Vapnik, V. Support-Vector Networks. Machine
Learning. 1995, 20, 3, s. 273–297. ISSN 0885-6125. Dostupn´e z:
<http://dx.doi.org/10.1023/A:1022627411411>.
[7] Coursera Inc. Coursera – Free Online Courses From Top Universities [on-line]. 2015. [cit. 7. 4. 2015]. Dostupn´e z: <https://www.coursera.org/>.
[8] Django Software Foundation. The Web framework for perfectionists with deadlines — Django [online]. 2015. [cit. 16. 4. 2015]. Dostupn´e z:
<https://www.djangoproject.com/>.
[9] edX Inc. edX — Free online courses from the world’s best universities [online].
2015. [cit. 7. 4. 2015]. Dostupn´e z: <https://www.edx.org/>.
[10] FutureLearn. FutureLearn – Free online courses [online]. 2015. [cit. 7. 4.
[11] Hunter, J. D. Matplotlib: A 2D graphics environment. Computing In Science
& Engineering. 2007, 9, 3, s. 90–95.
[12] Khan Academy. Khan Academy [online]. 2015. [cit. 7. 4. 2015]. Dostupn´e z:
<https://www.khanacademy.org/>.
[13] Ng, A. Support Vector Machines. CS229
Ma-chine Learning Lecture Notes. 2014. Dostupn´e z:
<http://cs229.stanford.edu/notes/cs229-notes3.pdf>.
[14] Numpy developers. NumPy [online]. 2013. [cit. 16. 4. 2015]. Dostupn´e z:
<http://www.numpy.org/>.
[15] Open Universities Australia Pty Ltd. OPEN2STUDY - FREE On-line Study For Everyone [onOn-line]. 2015. [cit. 8. 4. 2015]. Dostupn´e z:
<https://www.open2study.com/>.
[16] Pappano, L. The Year of the MOOC. The New York Times. 2012, 2, 12.
[17] Platt, J. – others. Fast training of support vector machi-nes using sequential minimal optimization. Advances in ker-nel methods—support vector learning. 1999, 3. Dostupn´e z:
<http://research.microsoft.com/pubs/68391/smo-book.pdf>.
[18] Rud, O. Data mining: praktick´y pr˚uvodce dolov´an´ım dat pro efektivn´ı prodej, c´ılen´y marketing a podporu z´akazn´ık˚u (CRM). Rychle a jistˇe. Computer Press, 2001. Dostupn´e z: <https://books.google.cz/books?id=cimeAAAACAAJ>.
ISBN 9788072265770.
[19] Udacity, Inc. Advance Your Career Through Project-Based Online Classes - Udacity [online]. 2011-2015. [cit. 7. 4. 2015]. Dostupn´e z:
<https://www.udacity.com/>.
A Obsah pˇ riloˇ zen´ eho CD
Pˇriloˇzen´e CD obsahuje zdrojov´e k´ody k v´ysledn´e aplikaci a diplomovou pr´aci v elek-tronick´e podobˇe.
Online Course
Statement of Accomplishment
DECEMBER 17, 2014
PATRIK DRHLÍK
HAS SUCCESSFULLY COMPLETED A FREE ONLINE OFFERING OF THE FOLLOWING COURSE PROVIDED BY STANFORD UNIVERSITY THROUGH COURSERA INC.
Machine Learning
Congratulations! You have successfully completed the online Machine Learning course (ml-class.org). To successfully complete the course, students were required to watch lectures, review questions and complete programming assignments.
ASSOCIATE PROFESSOR ANDREW NG COMPUTER SCIENCE DEPARTMENT STANFORD UNIVERSITY
PLEASE NOTE: SOME ONLINE COURSES MAY DRAW ON MATERIAL FROM COURSES TAUGHT ON CAMPUS BUT THEY ARE NOT EQUIVALENT TO ON-CAMPUS COURSES. THIS STATEMENT DOES NOT AFFIRM THAT THIS PARTICIPANT WAS ENROLLED AS A STUDENT AT STANFORD UNIVERSITY IN ANY WAY. IT DOES NOT CONFER A STANFORD UNIVERSITY GRADE, COURSE CREDIT OR DEGREE, AND IT DOES NOT VERIFY THE IDENTITY OF THE PARTICIPANT.