Dissertations / Theses on the topic 'Integration and transfer learning'
Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles
Consult the top 50 dissertations / theses for your research on the topic 'Integration and transfer learning.'
Next to every source in the list of references, there is an 'Add to bibliography' button. Press on it, and we will generate automatically the bibliographic reference to the chosen work in the citation style you need: APA, MLA, Harvard, Chicago, Vancouver, etc.
You can also download the full text of the academic publication as pdf and read online its abstract whenever available in the metadata.
Browse dissertations / theses on a wide variety of disciplines and organise your bibliography correctly.
Brenner, Aimee Michelle. "Investigating the Practices in Teacher Education that Promote and Inhibit Technology Integration in Early Career Teachers." Diss., Virginia Tech, 2012. http://hdl.handle.net/10919/39472.
Full textPh. D.
Glaister, Karen. "Learning and transfer of dosage calculations: An evaluation of integrative and computerised instructional approaches." Thesis, Glaister, Karen (1998) Learning and transfer of dosage calculations: An evaluation of integrative and computerised instructional approaches. Masters by Research thesis, Murdoch University, 1998. https://researchrepository.murdoch.edu.au/id/eprint/52195/.
Full textChapman, Shelley Ann. "A Theory of Curriculum Development in the Professions: An Integration of Mezirow's Transformative Learning Theory with Schwab's Deliberative Curriculum Theory." [Yellow Springs, Ohio] : Antioch University, 2007. http://rave.ohiolink.edu/etdc/view?acc_num=antioch1173793131.
Full textTitle from PDF t.p. (viewed Apr. 10, 2007). Advisor: Jon F. Wergin. Keywords: transformative learning theory, deliberative curriculum theory, graduate professional education, theory building, higher education. Includes bibliographical references (p. 377-399).
Katzenbach, Michael. "Individual Approaches in Rich Learning Situations Material-based Learning with Pinboards." Saechsische Landesbibliothek- Staats- und Universitaetsbibliothek Dresden, 2012. http://nbn-resolving.de/urn:nbn:de:bsz:14-qucosa-80328.
Full textJohnson, Travis Steele. "Integrative approaches to single cell RNA sequencing analysis." The Ohio State University, 2020. http://rave.ohiolink.edu/etdc/view?acc_num=osu1586960661272666.
Full textMogofe, Romulus Asaph. "Integrating language literacy skills in teaching physical sciences in Riba Cross District, South Africa." Thesis, University of Limpopo, 2016. http://hdl.handle.net/10386/1590.
Full textPoor performance, by English Language Learners (ELLs), in Science examinations remains a thorny issue in countries where English is not the home language. Research around the world and the Department of Basic Education in South Africa have long recommended the integration of Language Literacy skills in the teaching of Physical Sciences in order to solve this issue. Despite that, learners’ poor performance in Physical Sciences examinations has been found to be positively related to low language literacy skills. The questions are: Do Physical Sciences teachers integrate language literacy skills in teaching the subject?; If yes, to what extent is the integration of language literacy skills practiced in Physical Sciences classroom? In an attempt to answer the above questions, a quantitative survey was carried out in Riba Cross District of Sekhukhune Region of Limpopo Province in South Africa. 211 learners and five teachers from selected nine schools took part in the study and questionnaires were used to collect data. Data were analysed using descriptive and inferential statistics and the Statistical Package for the Social Sciences (SPSS) version 22 was used. The results indicate that Language Literacy skills are integrated into the teaching of Physical Sciences in Riba Cross District, despite concerns raised by the teachers. The areas of concern include letting learners to argue using evidences and writing reports. Furthermore, schools with large classes have challenges in integrating Language Literacy Skills in the teaching of Physical Sciences. Therefore, further studies are recommended which should integrate both qualitative and quantitative approaches in school contexts.
Gardner, Trevor. "Wireless Power Transfer Roadway Integration." DigitalCommons@USU, 2017. https://digitalcommons.usu.edu/etd/6866.
Full textShell, Jethro. "Fuzzy transfer learning." Thesis, De Montfort University, 2013. http://hdl.handle.net/2086/8842.
Full textAlexander, John W. "Transfer in reinforcement learning." Thesis, University of Aberdeen, 2015. http://digitool.abdn.ac.uk:80/webclient/DeliveryManager?pid=227908.
Full textBadley, Kenneth Rea. "Integration" and "the integration of faith and learning." Thesis, University of British Columbia, 1986. http://hdl.handle.net/2429/26769.
Full textEducation, Faculty of
Graduate
Kiehl, Janet K. "Learning to Change: Organizational Learning and Knowledge Transfer." online version, 2004. http://rave.ohiolink.edu/etdc/view?acc%5Fnum=case1080608710.
Full textElmasry, Sarah Khalil. "Integration Patterns of Learning Technologies." Diss., Virginia Tech, 2007. http://hdl.handle.net/10919/29070.
Full textPh. D.
Johnson, C. Dustin. "Set-Switching and Learning Transfer." Digital Archive @ GSU, 2008. http://digitalarchive.gsu.edu/psych_hontheses/7.
Full textSkolidis, Grigorios. "Transfer learning with Gaussian processes." Thesis, University of Edinburgh, 2012. http://hdl.handle.net/1842/6271.
Full textChen, Xiaoyi. "Transfer Learning with Kernel Methods." Thesis, Troyes, 2018. http://www.theses.fr/2018TROY0005.
Full textTransfer Learning aims to take advantage of source data to help the learning task of related but different target data. This thesis contributes to homogeneous transductive transfer learning where no labeled target data is available. In this thesis, we relax the constraint on conditional probability of labels required by covariate shift to be more and more general, based on which the alignment of marginal probabilities of source and target observations renders source and target similar. Thus, firstly, a maximum likelihood based approach is proposed. Secondly, SVM is adapted to transfer learning with an extra MMD-like constraint where Maximum Mean Discrepancy (MMD) measures this similarity. Thirdly, KPCA is used to align data in a RKHS on minimizing MMD. We further develop the KPCA based approach so that a linear transformation in the input space is enough for a good and robust alignment in the RKHS. Experimentally, our proposed approaches are very promising
Al, Chalati Abdul Aziz, and Syed Asad Naveed. "Transfer Learning for Machine Diagnostics." Thesis, Högskolan i Halmstad, Akademin för informationsteknologi, 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:hh:diva-43185.
Full textLu, Ying. "Transfer Learning for Image Classification." Thesis, Lyon, 2017. http://www.theses.fr/2017LYSEC045/document.
Full textWhen learning a classification model for a new target domain with only a small amount of training samples, brute force application of machine learning algorithms generally leads to over-fitted classifiers with poor generalization skills. On the other hand, collecting a sufficient number of manually labeled training samples may prove very expensive. Transfer Learning methods aim to solve this kind of problems by transferring knowledge from related source domain which has much more data to help classification in the target domain. Depending on different assumptions about target domain and source domain, transfer learning can be further categorized into three categories: Inductive Transfer Learning, Transductive Transfer Learning (Domain Adaptation) and Unsupervised Transfer Learning. We focus on the first one which assumes that the target task and source task are different but related. More specifically, we assume that both target task and source task are classification tasks, while the target categories and source categories are different but related. We propose two different methods to approach this ITL problem. In the first work we propose a new discriminative transfer learning method, namely DTL, combining a series of hypotheses made by both the model learned with target training samples, and the additional models learned with source category samples. Specifically, we use the sparse reconstruction residual as a basic discriminant, and enhance its discriminative power by comparing two residuals from a positive and a negative dictionary. On this basis, we make use of similarities and dissimilarities by choosing both positively correlated and negatively correlated source categories to form additional dictionaries. A new Wilcoxon-Mann-Whitney statistic based cost function is proposed to choose the additional dictionaries with unbalanced training data. Also, two parallel boosting processes are applied to both the positive and negative data distributions to further improve classifier performance. On two different image classification databases, the proposed DTL consistently out performs other state-of-the-art transfer learning methods, while at the same time maintaining very efficient runtime. In the second work we combine the power of Optimal Transport and Deep Neural Networks to tackle the ITL problem. Specifically, we propose a novel method to jointly fine-tune a Deep Neural Network with source data and target data. By adding an Optimal Transport loss (OT loss) between source and target classifier predictions as a constraint on the source classifier, the proposed Joint Transfer Learning Network (JTLN) can effectively learn useful knowledge for target classification from source data. Furthermore, by using different kind of metric as cost matrix for the OT loss, JTLN can incorporate different prior knowledge about the relatedness between target categories and source categories. We carried out experiments with JTLN based on Alexnet on image classification datasets and the results verify the effectiveness of the proposed JTLN in comparison with standard consecutive fine-tuning. To the best of our knowledge, the proposed JTLN is the first work to tackle ITL with Deep Neural Networks while incorporating prior knowledge on relatedness between target and source categories. This Joint Transfer Learning with OT loss is general and can also be applied to other kind of Neural Networks
Arnekvist, Isac. "Transfer Learning using low-dimensional Representations in Reinforcement Learning." Licentiate thesis, KTH, Robotik, perception och lärande, RPL, 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-279120.
Full textFramgångsrik inlärning av beteenden inom ramen för Reinforcement Learning (RL) sker ofta tabula rasa och kräver stora mängder observationer och interaktioner. Att använda RL-algoritmer utanför simulering, i den riktiga världen, är därför ofta inte praktiskt utförbart. Detta har motiverat studier i Transfer Learning för RL, där inlärningen accelereras av erfarenheter från tidigare inlärning av liknande uppgifter. I denna licentiatuppsats utforskar jag hur vi kan vi kan åstadkomma transfer från en enklare manipulationspolicy, till en större samling omarrangeringsproblem. Jag fortsätter sedan med att beskriva hur vi kan modellera hur olika inlärningsproblem skiljer sig åt med hjälp av en lågdimensionell parametrisering, och på så vis effektivisera inlärningen av nya problem. Beroendet av bra funktionsapproximation är ibland problematiskt, särskilt inom RL där statistik om målvariabler inte är kända i förväg. Jag presenterar därför slutligen observationer, och förklaringar, att små varianser för målvariabler tillsammans med momentum-optimering leder till dying ReLU.
QC 20200819
Mare, Angelique. "Motivators of learning and learning transfer in the workplace." Diss., University of Pretoria, 2015. http://hdl.handle.net/2263/52441.
Full textMini Dissertation (MBA)--University of Pretoria, 2015.
pa2016
Gordon Institute of Business Science (GIBS)
MBA
Unrestricted
Frenger, Tobias, and Johan Häggmark. "Transfer learning between domains : Evaluating the usefulness of transfer learning between object classification and audio classification." Thesis, Högskolan i Skövde, Institutionen för informationsteknologi, 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:his:diva-18669.
Full textBizonova, Zuzana. "Model driven e-learning platform integration." Evry, Télécom & Management SudParis, 2008. http://www.theses.fr/2008TELE0011.
Full textIn the recent years, e-learning gained popularity among educational institutions as well as enterprises. As the result of that many commercial or open-source Learning Management Systems (LMS) were developed to manage online courses. However, while the usage of these systems gained recognition and acceptance amongst institutions, a new category of problems arose that needs to be solved: because of multiplicity of platforms and approaches used for various systems implementation, it became increasingly difficult to exchange pieces of information among those systems. Applications and their data become isolated - a clear economical concern for the future of these technologies. The present study describes a method, based on Model Driven Architecture (MDA), for integrating approaches of candidate LMS systems into a generalized architectural framework. The framework makes use of standards for description of data and metadata like learning materials (IEEE LOM, IEEE PAPI), student information (IMS LIP) or learning design (IMS LD). This platform-independent framework can be used for automatic migration of data between various e-learning platforms
Počas posledných desiatich rokov si e-learning získal popularitu medzi vzdelávacími inštitúciami po celom svete. Výsledkom tohto trendu bola tvorba mnohých Learning Management Systémov na správu e-learningových kurzov. Mnohé z týchto systémov získavajú stále väčší počet používateľov avšak začínajú sa objavovať nové problémy spojené s ich používaním. Množstvo rôznorodých systémov a platforiem spôsobuje problémy pri zdieľaní dát medzi nimi. Tieto aplikácie a ich dáta ostávajú navzájom medzi sebou v izolácii, čo však môže spôsobiť vážne ekonomické problémy a ohroziť budúcnosť týchto technológií. Pre lepšie pochopenie, ide tu o zdieľanie takých dát ako sú vzdelávacie materiály či záznamy a výsledky jednotlivých študentov. Vytvorenie kvalitného materiálu je časovo aj myšlienkovo náročný process. Ak nie je možné zdieľať tieto dáta medzi systémami, znamená to, že je problematické ich znovuvyužitie v inej platforme. V tejto situácii je potrebné opakovane vytvárať rovnaké druhy informácií pre rozličné systémy. Táto štúdia opisuje metódu založenú na Modelovo orientovanej architektúre (MDA), ktorá integruje prístupy rozličných pozorovaných LMS systémov do zovšeobecného architektonického rámca, ktorý využíva štandardy pre popis dát a metadát ako napríklad IEEE LOM, IMS QTI či IEEE PAPI alebo IMS LD. Tento platformovo nezávislý rámec nám umožní automaticke zdieľanie rozličných druhov dát medzi e-learningovými platformami
Redko, Ievgen. "Nonnegative matrix factorization for transfer learning." Thesis, Sorbonne Paris Cité, 2015. http://www.theses.fr/2015USPCD059.
Full textThe ability of a human being to extrapolate previously gained knowledge to other domains inspired a new family of methods in machine learning called transfer learning. Transfer learning is often based on the assumption that objects in both target and source domains share some common feature and/or data space. If this assumption is false, most of transfer learning algorithms are likely to fail. In this thesis we propose to investigate the problem of transfer learning from both theoretical and applicational points of view.First, we present two different methods to solve the problem of unsuper-vised transfer learning based on Non-negative matrix factorization tech-niques. First one proceeds using an iterative optimization procedure that aims at aligning the kernel matrices calculated based on the data from two tasks. Second one represents a linear approach that aims at discovering an embedding for two tasks that decreases the distance between the cor-responding probability distributions while preserving the non-negativity property.We also introduce a theoretical framework based on the Hilbert-Schmidt embeddings that allows us to improve the current state-of-the-art theo-retical results on transfer learning by introducing a natural and intuitive distance measure with strong computational guarantees for its estimation. The proposed results combine the tightness of data-dependent bounds de-rived from Rademacher learning theory while ensuring the efficient esti-mation of its key factors.Both theoretical contributions and the proposed methods were evaluated on a benchmark computer vision data set with promising results. Finally, we believe that the research direction chosen in this thesis may have fruit-ful implications in the nearest future
Mallia, Gorg. "Transfer of learning from literature lessons." Thesis, University of Sheffield, 2002. http://ethos.bl.uk/OrderDetails.do?uin=uk.bl.ethos.274972.
Full textQuattoni, Ariadna J. "Transfer learning algorithms for image classification." Thesis, Massachusetts Institute of Technology, 2009. http://hdl.handle.net/1721.1/53294.
Full textCataloged from PDF version of thesis.
Includes bibliographical references (p. 124-128).
An ideal image classifier should be able to exploit complex high dimensional feature representations even when only a few labeled examples are available for training. To achieve this goal we develop transfer learning algorithms that: 1) Leverage unlabeled data annotated with meta-data and 2) Exploit labeled data from related categories. In the first part of this thesis we show how to use the structure learning framework (Ando and Zhang, 2005) to learn efficient image representations from unlabeled images annotated with meta-data. In the second part we present a joint sparsity transfer algorithm for image classification. Our algorithm is based on the observation that related categories might be learnable using only a small subset of shared relevant features. To find these features we propose to train classifiers jointly with a shared regularization penalty that minimizes the total number of features involved in the approximation. To solve the joint sparse approximation problem we develop an optimization algorithm whose time and memory complexity is O(n log n) with n being the number of parameters of the joint model. We conduct experiments on news-topic and keyword prediction image classification tasks. We test our method in two settings: a transfer learning and multitask learning setting and show that in both cases leveraging knowledge from related categories can improve performance when training data per category is scarce. Furthermore, our results demonstrate that our model can successfully recover jointly sparse solutions.
by Ariadna Quattoni.
Ph.D.
Aytar, Yusuf. "Transfer learning for object category detection." Thesis, University of Oxford, 2014. http://ora.ox.ac.uk/objects/uuid:c9e18ff9-df43-4f67-b8ac-28c3fdfa584b.
Full textFarajidavar, Nazli. "Transductive transfer learning for computer vision." Thesis, University of Surrey, 2015. http://epubs.surrey.ac.uk/807998/.
Full textJamil, Ahsan Adnan, and Daniel Landberg. "Detecting COVID-19 Using Transfer Learning." Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-280352.
Full textCOVID-19 är för närvarande en pågående pandemi och det är en stor efterfrågan på tester, Vilket har lett till att resurserna på sjukhusen inte räcker till. I syfte att öka effektiviteten för COVID-19 tester kan datorsynbaserade system användas. En datorsynsbaserad klassificerare kräver en stor uppsättning träningsdata för att kunna skapa en noggrann och pålitlig modell, vilket för närvarande inte är tillgängligt eftersom sjukdomen endast har existerat i några månader. Diverse modeller används inom sjukvårdssektorn för klassificering av olika sjukdomar. Klassificering av lunginflammationsfall med hjälp av röntgenbilder är ett av de områden där modeller används. Modellerna har uppnått tillräckligt hög noggrannhet för att kunna användas på patienter [18]. Eftersom datamängden är begränsad för identifiering av COVID-19 utvärderar detta arbete nyttan med att använda överföringsinlärning i syfte att förbättra prestandan i COVID-19-detekteringsmodeller. Genom att använda Lunginflammations bilder som en bas för extraktion av attribut, är målet att generera en COVID-19 klassificerare genom överföringsinlärning. Med användning av denna metod uppnåddes en noggrannhet på 97 % jämfört med den ursprungliga noggrannheten på 32 % när överföringsinlärning inte användes.
Mendoza-Schrock, Olga L. "Diffusion Maps and Transfer Subspace Learning." Wright State University / OhioLINK, 2017. http://rave.ohiolink.edu/etdc/view?acc_num=wright1503964976467066.
Full textKumar, Sharad. "Localizing Little Landmarks with Transfer Learning." PDXScholar, 2019. https://pdxscholar.library.pdx.edu/open_access_etds/4827.
Full textLieu, Jenny. "Influences of policy learning, transfer, and post transfer learning in the development of China's wind power policies." Thesis, University of Sussex, 2013. http://sro.sussex.ac.uk/id/eprint/46453/.
Full textPettersson, Harald. "Sentiment analysis and transfer learning using recurrent neural networks : an investigation of the power of transfer learning." Thesis, Linköpings universitet, Interaktiva och kognitiva system, 2019. http://urn.kb.se/resolve?urn=urn:nbn:se:liu:diva-161348.
Full textAndersen, Linda, and Philip Andersson. "Deep Learning Approach for Diabetic Retinopathy Grading with Transfer Learning." Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-279981.
Full textDiabetisk näthinnesjukdom (DR) är en komplikation av diabetes och är en sjukdom som påverkar ögonen. Det är en av de största orsakerna till blindhet i västvärlden. Allt eftersom antalet människor med diabetes ökar, ökar även antalet med diabetisk näthinnesjukdom. Detta ställer högre krav på att bättre och effektivare resurser utvecklas för att kunna upptäcka sjukdomen i ett tidigt stadie, vilket är en förutsättning för att förhindra vidareutveckling av sjukdomen som i slutändan kan resultera i blindhet, och att vidare behandling av sjukdomen effektiviseras. Här spelar datorstödd diagnostik en viktig roll. Syftet med denna studie är att undersöka hur ett faltningsnätverk, tillsammans med överföringsinformation, kan prestera när det tränas för multiklass gradering av diabetisk näthinnesjukdom. För att göra detta användes ett färdigbyggt och färdigtränat faltningsnätverk, byggt i Keras, för att fortsättningsvis tränas och finjusteras i Tensorflow på ett 5-klassigt DR dataset. Totalt tjugo träningssessioner genomfördes och noggrannhet, sensitivitet och specificitet utvärderades i varje sådan session. Resultat visar att de uppnådda noggranheterna låg inom intervallet 35% till 48.5%. Den genomsnittliga testsensitiviteten för klass 0, 1, 2, 3 och 4 var 59.7%, 0.0%, 51.0%, 38.7% respektive 0.8%. Vidare uppnåddes en genomsnittlig testspecificitet för klass 1, 2, 3 och 4 på 77.8%, 100.0%, 62.4%, 80.2% respektive 99.7%. Den genomsnittliga sensitiviteten på 0.0% samt den genomsnittliga specificiteten på 100.0% för klass 1 (mild DR) erhölls eftersom CNN modellen aldrig förutsåg denna klass.
Choi, Jin-Woo. "Action Recognition with Knowledge Transfer." Diss., Virginia Tech, 2021. http://hdl.handle.net/10919/101780.
Full textDoctor of Philosophy
Recent progress on deep learning has shown remarkable action recognition performance. The remarkable performance is often achieved by transferring the knowledge learned from existing large-scale data to the small-scale data specific to applications. However, existing action recog- nition models do not always work well on new tasks and datasets because of the following two problems. i) Current action recognition datasets have a spurious correlation between action types and background scene types. The models trained on these datasets are biased towards the scene instead of focusing on the actual action. This scene bias leads to poor performance on the new datasets and tasks. ii) Directly testing the model trained on the source data on the target data leads to poor performance as the source, and target distributions are different. Fine-tuning the model on the target data can mitigate this issue. However, manual labeling small-scale target videos is labor-intensive. In this dissertation, I propose solutions to these two problems. To tackle the first problem, I propose to learn scene-invariant action representations to mitigate background scene- biased human action recognition models for the first problem. Specifically, the proposed method learns representations that cannot predict the scene types and the correct actions when there is no evidence. I validate the proposed method's effectiveness by transferring the pre-trained model to multiple action understanding tasks. The results show consistent improvement over the baselines for every task and dataset. To handle the second problem, I formulate human action recognition as an unsupervised learning problem on the target data. In this setting, we have many labeled videos as source data and unlabeled videos as target data. We can use already existing labeled video datasets as source data in this setting. The task is to align the source and target feature distributions so that the learned model can generalize well on the target data. I propose 1) aligning the more important temporal part of each video and 2) encouraging the model to focus on action, not the background scene. The proposed method is simple and intuitive while achieving state-of-the-art performance without training on a lot of labeled target videos. I relax the unsupervised target data setting to a sparsely labeled target data setting. Here, we have many labeled videos as source data and sparsely labeled videos as target data. The setting is practical as sometimes we can afford a little bit of cost for labeling target data. I propose multiple video data augmentation methods to inject color, spatial, temporal, and scene invariances to the action recognition model in this setting. The resulting method shows favorable performance on the public benchmarks.
Jacklin, Angela. "The transfer process between special and mainstream schools." Thesis, University of Sussex, 1995. http://ethos.bl.uk/OrderDetails.do?uin=uk.bl.ethos.296551.
Full textGustafson, Robert Christian. "An evaluation of forward integration in the transfer conveyor market." Thesis, Massachusetts Institute of Technology, 1994. http://hdl.handle.net/1721.1/12066.
Full textAndersson, Robin. "GPU integration for Deep Learning on YARN." Thesis, KTH, Skolan för informations- och kommunikationsteknik (ICT), 2017. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-222357.
Full textDe senaste åren har många framsteg gjorts inom maskininlärning och användning av dess tekniker inom många olika industrier. Djupinlärning är ett delområde inom maskininlärning som är hänförlig till många av de senaste innovativa applikationerna såsom system för autonom bilkörning. Att träna en djupinlärningsmodell är en beräkningsmässigt intensiv uppgift som i många fall är ineffektivt på endast en processor. Dramatiskt snabbare träning är möjlig genom att använda en eller flera grafikkort, kopplat med behov att träna mer komplexa modeller med större datamängder, är det inte hållbart att endast träna på en processor. Hops Hadoop är en Hadoop distribution med målet att göra Hadoop mer skalbart, genom att migrera metadata från YARN och HDFS till MySQL NDB. Hops utför i nuläget ett arbete med att stödja distribuerad TensorFlow. För närvarande finns inget stöd för grafikkort som en resurs i YARN, därmed, i Hadoop, så kan grafikkort inte schemaläggas för applikationer. Mer specifikt, det finns inget stöd för att isolera grafikkort för applikationer och erbjuda som en resurs. Den här uppsatsen presenterar en arkitektur för att schemalägga och isolera grafikkort som en resurs i Hops Hadoop. Arbetet innefattar stöd för den mest populära schemaläggaren i YARN, kapacitets schemaläggaren. Arkitekturen implementeras och verifieras utifrån en mängd testfall. Arkitekturen utvärderas sedan i ett kvantitativt tillvägagångssätt genom att mäta tidspåverkan att stödja grafikkort genom att utföra ett antal experiment. Lösningen tar inte hänsyn till grafikkort som en del av kapacitetsberäkningen. Node Manager komponenten använder Cgroups för att utföra isolering av grafikkort. En GPUAllocator komponent har implementerats som håller ett tillstånd över vilka grafikkort som allokerats och vilka som är lediga på Node Manager. Experimenten konkluderar att YARN kan stödja grafikkort som en resurs och att tidspåverkan för detta är försumbart. Detta arbete med att stödja grafikkort som en resurs på Hops Hadoop, gör det möjligt att utföra djupinlärnin på stora datamängder, och är ett första steg mot stöd för distribuerad djupinlärning.
Triantafyllidis, Athanasios. "Increasing eLearning engagement through mobile learning integration." Thesis, University of Plymouth, 2017. http://hdl.handle.net/10026.1/10431.
Full textTserendorj, Navchaa, Uranchimeg Tudevdagva, and Ariane Heller. "Integration of Learning Management System into University-level Teaching and Learning." Universitätsbibliothek Chemnitz, 2013. http://nbn-resolving.de/urn:nbn:de:bsz:ch1-qucosa-103595.
Full textToll, Debora K. "The transfer of learning: Employees' lived experiences." Thesis, University of Ottawa (Canada), 2004. http://hdl.handle.net/10393/29178.
Full textMasko, David. "Calibration in Eye Tracking Using Transfer Learning." Thesis, KTH, Skolan för datavetenskap och kommunikation (CSC), 2017. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-210815.
Full textDetta examensarbete är en empirisk studie på överföringsträning som ramverk för kalibrering av neurala faltningsnätverks (CNN)-baserade bildbaserad blickapproximationsmodeller. En datamängd på omkring 1 900 000 ögonrandsbilder fördelat över 1682 personer används för att träna och bedöma flertalet blickapproximationsmodeller. Varje modell tränas inledningsvis på all träningsdata, vilket resulterar i generiska modeller. Modellerna kalibreras därefter för vardera testperson med testpersonens kalibreringsdata via överföringsträning genom anpassning av de sista lagren av nätverket. Med överföringsträning observeras en minskning av felet mätt som eukilidskt avstånd för de generiska modellerna inom 12-21%, vilket motsvarar de bästa nuvarande modellerna. För den bäst presterande kalibrerade modellen uppmäts medelfelet 29,53mm och medianfelet 22,77mm. Dock leder kalibrering av regionella sannolikhetsbaserade blickapproximationsmodeller till en försämring av prestanda jämfört med de generiska modellerna. Slutsatsen är att överföringsträning är en legitim kalibreringsansats för att förbättra prestanda hos CNN-baserade bildbaserad blickapproximationsmodeller.
Maehle, Valerie A. "Conceptual models in the transfer of learning." Thesis, University of Aberdeen, 1993. http://ethos.bl.uk/OrderDetails.do?uin=uk.bl.ethos.261454.
Full textKodirov, Elyor. "Cross-class transfer learning for visual data." Thesis, Queen Mary, University of London, 2017. http://qmro.qmul.ac.uk/xmlui/handle/123456789/31852.
Full textBoyer, Sebastien (Sebastien Arcario). "Transfer learning for predictive models in MOOCs." Thesis, Massachusetts Institute of Technology, 2016. http://hdl.handle.net/1721.1/104832.
Full textThesis: S.M., Massachusetts Institute of Technology, Department of Electrical Engineering and Computer Science, 2016.
Cataloged from PDF version of thesis.
Includes bibliographical references (pages 85-87).
Predictive models are crucial in enabling the personalization of student experiences in Massive Open Online Courses. For successful real-time interventions, these models must be transferable - that is, they must perform well on a new course from a different discipline, a different context, or even a different MOOC platform. In this thesis, we first investigate whether predictive models "transfer" well to new courses. We then create a framework to evaluate the "transferability" of predictive models. We present methods for overcoming the biases introduced by specific courses into the models by leveraging a multi-course ensemble of models. Using 5 courses from edX, we show a predictive model that, when tested on a new course, achieved up to a 6% increase in AUCROC across 90 different prediction problems. We then tested this model on 10 courses from Coursera (a different platform) and demonstrate that this model achieves an AUCROC of 0.8 across these courses for the problem of predicting dropout one week in advance. Thus, the model "transfers" very well.
by Sebastien Boyer.
S.M. in Technology and Policy
S.M.
Scahill, Victoria Louise. "Perceptual learning and transfer along a continuum." Thesis, University of Cambridge, 2002. http://ethos.bl.uk/OrderDetails.do?uin=uk.bl.ethos.620585.
Full textGrönlund, Lucas. "Transfer learning in Swedish - Twitter sentiment classification." Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2019. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-252536.
Full textSpråkmodeller kan appliceras på en mängd olika uppgifter med bra resultat, men att träna en språkmodell kan dessvärre vara kostsamt både tids- och pengamässigt. Genom att överföra information från en domän till en annan behöver denna kostsamma träningsprocess bara genomföras en gång, och ger således lättare tillgång till dessa modeller. Dagens forskning genomförs främst med engelska som språk vilket således begränsar mängden av färdigtränade modeller på andra språk. Denna rapport utforskar hur mängden data tillgänglig för träning av språkmodeller påverkar resultatet i ett problem gällande attitydanalys av tweets, och utfördes med svenska som språk. Svenska Wikipedia användes för att först träna språkmodellerna som sedan överfördes till en domän bestående av tweets på svenska. Ett flertal språkmodeller tränades med olika mängd data från dessa två domäner för att sedan kunna jämföra deras prestanda. Resultaten visar att överföring av kunskap från Wikipedia till tweets knappt gav upphov till någon förbättring, medan oövervakad träning på tweets förbättrade resultaten markant.
Pang, Jinyong. "Human Activity Recognition Based on Transfer Learning." Scholar Commons, 2018. https://scholarcommons.usf.edu/etd/7558.
Full textBroqvist, Widham Emil. "Scaling up Maximum Entropy Deep Inverse Reinforcement Learning with Transfer Learning." Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-281796.
Full textI denna uppsats identifieras ett vanligt problem med algoritmer för omvänd förstärkt inlärning vilket leder till att de blir beräkningstunga. En lösning föreslås som försöker addressera problemet och som kan byggas på i framtiden. Komplexiteten i algoritmer för omvänd förstärkt inlärning ökar på grund av att varje iteration kräver ett så kallat förstärkt inlärnings-steg som har som syfte att utvärdera föregående iteration och guida lärandet. Detta steg tar lång tid att genomföra för problem med stor tillståndsrymd och där många iterationer är nödvändiga. Det har observerats att problemet som löses i detta steg i många fall är väldigt likt det problem som löstes i föregående iteration. Därför är den föreslagna lösningen att använda sig av informationsöverföring för att ta tillvara denna kunskap. I denna uppsats utvärderas olika former av informationsöverföring för vanliga algoritmer för förstärkt inlärning på detta problem. Experiment görs med value iteration och Q-learning som algoritmerna för förstärkt inlärnings-steget. Algoritmerna appliceras på två ruttplanneringsproblem och finner att i båda fallen kan en informationsöverföring förbättra beräkningstider. För value iteration är överföringen enkel att implementera och förstå och visar stora förbättringar i hastighet jämfört med basfallet. För Qlearning har implementationen fler variabler och samtidigt som en förbättring visas så är den inte lika dramatisk som för value iteration. Slutsaterna som dras är att för implementationer av omvänd förstärkt inlärning där value iteration används som algoritm för förstärkt inlärnings-steget så rekommenderas alltid en informationsöverföring medan för implementationer som använder andra algoritmer så rekommenderas troligtvis en överföring men fler experiment skulle behöva utföras.
Juozapaitis, Jeffrey James. "Exploring Supervised Many Layered Learning as a Precursor to Transfer Learning." Thesis, The University of Arizona, 2012. http://hdl.handle.net/10150/271607.
Full textSvensson, Carl. "Automatic Log Analysis System Integration : Message Bus Integration in a Machine Learning Environment." Thesis, KTH, Radio Systems Laboratory (RS Lab), 2015. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-168837.
Full textEricsson är en av världens största leverantörer av kommunikationsteknologi och tjänster. Tillförlitliga nätverk är viktigt att tillhandahålla för att kunna leverera tjänster som lever upp till kundernas förväntningar. Tester körs därför ofta i Ericssons system med syfte att identifiera stabilitetsproblem som kan uppstå i nätverken. Dessa tester är inte alltid helt tillförlitliga, producerade testloggar samlas därför in och analyseras för att kunna identifiera onormalt beteende som testerna inte lyckats hitta. För att automatisera denna analysprocess har ett maskininlärningssystem utvecklats, Awesome Automatic Log Analysis Application (AALAA). Detta system används i Ericssons Continuous Integration Infrastructure (CII)-avdelning för att identifiera problem i stora loggar som producerats av automatiserade Radio Base Station tester. AALAA är för närvarande funktionellt i två olika versioner av distribuerad klusterberäkning, Apache Spark och Apache Hadoop, men behöver förbättringar i sin maskin-till-maskin-kommunikation för att göra dem enklare och effektivare att använda. I denna avhandling har meddelandekommunikation implementerats som kan kommunicera med flera olika moduler i AALAA. Resultatet är en meddelandebuss implementerad i RabbitMQ som kan initiera träning av modeller och identifiering av onormala loggar på begäran, samt hantera ett kontinuerligt flöde av resultatuppdateringar från pågående beräkningar.
McHone, Cheryl. "Blended Learning Integration: Student Motivation and Autonomy in a Blended Learning Environment." Digital Commons @ East Tennessee State University, 2020. https://dc.etsu.edu/etd/3750.
Full text