Strojno učenje u nastavi informatike u prirodoslovnim gimnazijama

diplomski rad

• Autor: Ivan Ljubičić
• Mentor: Tomislav Šmuc (mentor)
• Član povjerenstva: Vedran Čačić (predsjednik povjerenstva)
• Član povjerenstva: Tomislav Šmuc (član povjerenstva)
• Član povjerenstva: Goranka Nogo (član povjerenstva)
• Član povjerenstva: Zvonko Iljazović (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Prirodoslovno-matematički fakultet; (Matematički odsjek); Zagreb
• Datum i država obrane: 2018-09-20, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: PRIRODNE ZNANOSTI; Matematika

Sažetak

Svrha ovog diplomskog rada je stvaranje osnova za uvođenje elemenata strojnog učenja u srednjoškolsko obrazovanje. U današnje doba strojno učenje se univerzalno koristi u gotovo svim sferama života. Od reklamiranja, prepoznavanja glasa, procjene vrijednosti nekretnina, analize podataka pa do određivanja dijagnoze pacijenta i arhitekture. Zbog naglog razvoja interneta i tehnologije kao i najave interneta stvari važno je učenike upoznati sa modernim primjenama računala. U današnjem obrazovanju se naglasak stavlja na cjeloživotno učenje i na vještinu učenja kako učiti da se ostvari cjeloživotno učenje. Strojno učenje u sebi sadrži osnovne principe učenja i zbog toga je dobro za razvijanje vještine učenja kako učiti. Ono također predstavlja jedan multidisciplinaran pristup koji u sebi koristi i objedinjuje spoznaje psihologije, matematike i računalnih znanosti. Strojno učenje može služiti kao dobar primjer primjene apstraktnog matematičkog znanja na stvarne probleme. Zbog svih navedenih razloga, smatram da se strojno učenje treba uvesti kao dio nastave u školama. U ovom radu sam naveo osnovnu podjelu strojnog učenja na nadzirano, nenadzirano u podržano učenje. Naveo sam neke od algoritama koji se koriste u strojnom učenju i detaljnije obradio algoritme: stablo odlučivanja, linearna regresija i naivni Bayes. Za svaki navedeni algoritam dao sam i jedno moguće rješenje za njegovu implementaciju u programskom jeziku Python. Pred kraj rada sam naveo primjene strojnog učenja u svakodnevnici kao i neke događaje iz popularne kulture vezane na tu temu.

Sažetak (engleski)

The purpose of this master’s thesis is creating a foundation for the introduction of some elements of machine learning into secondary education. In today’s age, machine learning is universally used in almost all aspects of life. From advertisement, voice recognition, value estimate of real estate, data analysis to determining patient diagnosis and architecture. Because of the rapid development of internet and technology and the announcement of internet of things it is important to familiarize students with the modern use of computers. In today’s education there’s an emphasis on lifelong learning and the skill of learning how to learn to achieve lifelong learning. Machine learning encompasses basic principles of learning within itself and therefor is a good way to develop the skill of learning how to learn. It also represents a multidisciplinary approach which uses and encompasses the knowledge of psychology, mathematics and computer science. Machine learning can be used as a good example of applied abstract mathematical knowledge on real life problems. Because of everything mentioned, it is my opinion that machine learning should be introduced into classes at schools. In this thesis I have made a basic separation of machine learning into supervised, unsupervised and reinforced learning. I have named some algorithms commonly used in machine learning and talked about: decision tree, linear regression and naive Bayes in more detail. For each above mentioned algorithm I gave one possible implementation in the programming language Python. At the end of the thesis I have given examples of the use of machine learning in everyday life as well as a few events from popular culture tied to the subject.

• Ključne riječi: strojno učenje; nastava informatike; srednja škola; moderne primjene računala; cjeloživotno učenje; stablo odlučivanja; linearna regresija; naivni Bayes; Python
• Ključne riječi (engleski): machine learning; teaching informatics; high school; middle school; modern use of computers; lifelong learning; decision tree; linear regression; naive Bayes; Python
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:217:595039
• Studijski program: Naziv: Matematika i informatika; smjerovi: nastavnički; Smjer: nastavnički; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra edukacije matematike i informatike (mag. educ. math. et inf.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Otvoreni pristup
• Datum i vrijeme pohrane: 2019-06-04 12:48:11