Teória

140520

začína sa to spájať s FFL

130520

Štruktúra Tenzor

# Nainštalujeme si TensorFlow

# Natiahneme si existujúci dataset recenzií filmov.
from keras.datasets import imdb
top_words = 10000
(x_train, y_train), (x_test, y_test) = imdb.load_data(num_words=top_words)

# Pozrieme si jednu položku napr. x_train a sú tam iba čísla
1,14,22,16,43,530,973,1622,1385,65,458,4468,66,3941,4,173,36,256,5,25, 100,43,

# Spätne si ich preložíme
this film was just brilliant casting location scenery story direction everyone’s really suited the part they played and you could just

# Zhrnutie: Slová majú neporovnateľne menšiu štruktúrotvornosť/transformačný potenciál ako tenzory.

# Kerasovská transformácia zo slov do  (v tomto prípade) 1-rozmerných tenzorov je založená na početnosti slov v celom datasete – napr. komponent 1-rozmerného tenzora, slovo ‘just’ má vysokú početnosť 43, čo si môžeš vizuálne skontrolovať.

# a teraz si kukni Keras text classification from scratch, ktorý mi zatiaľ padá…

# iný dôkaz, modelom – Keras dataset môžeme vďaka tenzorom používať ako model rozlišovania sentimentového významu na pozitívne, alebo negatívne hodnotenie slov, výrazov, viet, odstavcov, ktoré použijeme ako surovinu modelu tvorby významu:

# Kód modelu

import string
import numpy as np

def analyze(text):
# Prepare the input by removing punctuation characters, converting
# characters to lower case, and removing words containing numbers
translator = str.maketrans(”, ”, string.punctuation)
text = text.translate(translator)
text = text.lower().split(‘ ‘)
text = [word for word in text if word.isalpha()]

# Generate an input tensor
input = [1]
for word in text:
if word in word_dict and word_dict[word] < top_words:
input.append(word_dict[word])
else:
input.append(2)
padded_input = sequence.pad_sequences([input], maxlen=max_review_length)

# Invoke the model and return the result
result = model.predict(np.array([padded_input][0]))[0][0]
return result

# Použitie modelu

analyze(‘help’)
0.86239856
analyze(‘indifferent’)
0.49717852
analyze(‘town’)
0.7180035
analyze(‘nature’)
0.93002236

# Hraj sa

spusti JupyterNotebook, odskroluj do vstupného poľa IN [46]: a pozri ako pocitovo rozlišuje anglické slová. Je to ochutnávka práce s Tensorflow/Keras, ktorou sa hra z Microsoft_Azure presúva do Google TensorFlow  Keras

# Záver – jednoduchá hra

Ak vymyslím editovateľné sharovanie TensorFlow-Keras DeepLearning Jupyter Notebooku, ktorý sa v druhej fáze (tú treba doprogramovať) dokáže online učiť aj tvojim hraním, začne automaticky narastať jeho rozlišovanie významu.

080520

Stratégia Bayesovskej konštruktivistikej teórie didaktiky spôsobilosti

280420

Hodnotu teoretizovania ukážem na príklade tvorby pojmu ‘spôsobilosť/kompetencia’.  Postupne sa k nemu prepracujem zdola.

Zručnosť je vedieť niečo spraviť.

Spôsobnosť je vedieť niečo vymyslieť.

Šikovnosť = zručnosť + spôsobnosť.

Takáto pojmotvorba umožňuje šikovného vraha, zlodeja, jedným slovom šikovného podliaka s následným obdivom jeho šikovnosti, ktorým mu odpúšťame jeho podliactvo, čo je spor.

Najjednoduchšie odstránenie sporu je neumožniť ho. To je prvá vlastnosť definičného minima pojmu spôsobilosť/kompetencia – nedá sa povedať spôsobilý/kompetentný podliak.

Náčrtok spôsobilosti je na stranách 16-37 knihy Architects of Intelligence. Potrebujeme ďalšie vlastnosti jej definičného minima.