@phdthesis{01JADA36BZ4YDSTXXKJA9H37CW,
  abstract     = {{Dit doctoraatsproefschrift onderzoekt effectieve machine learning-strategieën voor belichaamde intelligentie. In deze aanpak leren machines door met hun omgeving te interageren, net zoals mensen dit van kindsaf aan doen. Momenteel wordt de AI-scène immers gedomineerd door een totaal andere aanpak waarin extreem grote modellen getraind worden die omwille van deze modelgrootte enorme hoeveelheden gegevens en computerkracht vereisen. In dit proefschrift nemen we afstand van deze big-data-aanpak, en leren we door interactie met de omgeving. In een eerste deel bestuderen we een fundamentele aanpak geïnspireerd op het menselijk brein, namelijk actieve inferentie in combinatie met een aantal concepten uit de informatietheorie. Hiermee beogen we een beter begrip inzake het genereren van effectieve leerdoelen en modellen voor belichaamde intelligentie. Vervolgens onderzoeken we praktische strategieën voor het leren van representaties en gedragingen, om waarneming en handelen van machines binnen hun omgeving te verbeteren. Dit omvat het gebruik van wereldmodellen in combinatie met andere methoden zoals vaardigheidsleren, actieplanning en het integreren van video- en taalinformatie. Ten slotte past het onderzoek deze concepten toe op robotmanipulatie, waarbij wordt aangetoond hoe de manier waarop een agent over zijn acties redeneert, invloed kan hebben op zijn succes en leerefficiëntie. Dit proefschrift biedt een uitgebreid overzicht hoe gerichte leerstrategieën de capaciteiten van een agent kunnen verbeteren, vooral als het gaat om efficiënt leren op basis van relatief beperkte datasets.}},
  author       = {{Mazzaglia, Pietro}},
  isbn         = {{9789463559119}},
  language     = {{eng}},
  pages        = {{XXIV, 266}},
  publisher    = {{Ghent University. Faculty of Engineering and Architecture}},
  school       = {{Ghent University}},
  title        = {{Efficient learning strategies for embodied intelligence}},
  year         = {{2024}},
}