SECINĀJUMI
Bakalaura darba mērķis bija apskatīt un analizēt dažādus lietotāja iesaistīšanas veidus induktīvajā apmācībā. Darba sākumā noderīgi bija sniegt mašīnapmācības aprakstu, lai cilvēkiem veidotos dziļāks priekšstats par pašu induktīvās apmācības būtību. Apkopojot materiālus darba izpildei, secināju, ka diezgan plaši ir aprakstīta mašīnapmācība un induktīvā apmācība, taču mazāk ir apskatīta interaktīva induktīvā apmācība, uz kuru darbā tika likts akcents, jo tieši interaktīvā apmācība ir pamatā lietotāja iesaistīšanai apmācības procesā. Apskatot induktīvās apmācības realizēšanas metodes, secināju, ka pietiekami plaši ir aprakstīti algoritmi, kurus izmanto induktīvajā apmācībā, tāpēc to apraksts darbā netika iekļauts.
Bakalaura darba ietvaros tika apskatītas trīs metodes, ar kuru palīdzību iespējams nodrošināt interaktivitāti apmācības procesā. Darbā tika apskatītas divas interaktīvās induktīvās apmācības metodes (Ripple Down un Aktīvā mācīšanās), kā arī induktīvais algoritms (Ripper), ar kura palīdzību tiek nodrošināta interaktīvā induktīvā apmācība. Ņemot vērā, ka nepastāv vienots šo metožu apraksts un salīdzinājums, darba viens no galvenajiem uzdevumiem bija sniegt šo metožu aprakstu, kas arī tika veiksmīgi realizēts. Taču, lai vēl uzskatamāk parādītu šo metožu darbību, tika izvēlēta jau esoša datu kopa, ar konkrētiem datiem, un soli pa solim parādīta katras metodes darbība vienādos apstākļos, lai atspoguļotu atšķirības to darbībā. Manuprāt, noderīgi bija veikt šo metožu galveno īpašību atspoguļojumu tabulā, lai cilvēkiem būtu daudz vieglāk uztvert katras metodes īpatnības.
Apkopojot aprakstu un darbojoties praktiski ar aktīvās mācīšanās metodi, varēja secināt, ka šī metode ir tikai daļēji interaktīva. Tās interaktivitāte ir atkarīga no izvēlētās pieejas metodes ietvaros. Strādājot praktiski ar aktīvās mācīšanās metodi uzskatāmi varēja redzēt, ka darbojoties ar datu kopu, šī metode izmanto induktīvās apmācības algoritmu, lai ģenerētu likumus pusei no datu kopas. Arī cilvēka iesaistīšana šajā metodē ir atkarīga no konkrētās datu kopas, jo apskatot piemēru, kurš tiks izmantots visai datu kopai, cilvēka iesaistīšana nebija nepieciešama un tikai pievienojot vēl vienu „unikālu” gadījumu parādījās nepieciešamība iesaistīt cilvēku. No tā varēja secināt, ka aktīvās mācīšanās gadījumā nepieciešamība iesaistīt cilvēku ir atkarīga no datu kopas un šīs konkrētās kopas elementu spējas vispārināt problēmsfēru.
Ripple Down kā interaktivitātes metode ir viegli atspoguļojama, jo, aprakstot šo metodi, bija diezgan viegli atspoguļot lietotāja iesaistīšanu. Šīs metodes ietvaros liela nozīme ir ekspertam (lietotājam), jo tieši viņš definē visas nepieciešamās pazīmes likumam, pirms šo likumu pievieno likumu bāzei. Līdz ar to varēja secināt, ka RDR gadījumā lietotājs tiek iesaistīts visos gadījumos un ir neatņemama metodes sastāvdaļa.
Neskatoties uz to, ka Ripper algoritms nav interaktīva metode, tā aprakstu un darbību uz piemēra bija vērts iekļaut darbā, jo šis ir samērā jauns induktīvais algoritms, kuram vēl trūkst paskaidrojošu piemēru un apraksta latviešu valodā.
Darbā apskatīta arī induktīvās apmācības sistēma, kas iesaista cilvēku indukltīvās apmācības procesā tajos gadījumos, kad klasifikators nav spējis noteikt klases piederību jaunam piemēram. Tas nozīmē, ka tas ir kā papildus interaktivitātes slānis, izmantojot parastos induktīvās apmācības algoritmus. Līdz ar to varēja secināt, ka šī metode ir pietiekami līdzīga aktīvās mācīšanās metodei, tikai ar savām īpatnībām. Šī metode darbojas interaktīvi tikai tad, ja klasifikators nav spējis noteikt klasifikāciju jaunam piemēram.
…
