Παρουσίαση/Προβολή

Εικόνα επιλογής

Βασικές αρχές του AI

(1751030308) -  ΓΕΩΡΓΙΟΣ ΑΝΔΡΕΑΔΑΚΗΣ

Περιγραφή Μαθήματος

Σειρά των έξι μαθημάτων που θα προσφέρουν στους/στις μαθητές/τριες μια εισαγωγή στον κόσμο της τεχνητής νοημοσύνης (AI) και της μηχανικής μάθησης (ML). Κατά τη διάρκεια αυτής της ενότητας, οι μαθητές θα γνωρίσουν μια ποικιλία πραγματικών εφαρμογών AI και θα ενημερωθούν για το ολοένα αυξανόμενο εύρος επαγγελμάτων που σχετίζονται με το AI.

Παράλληλα με την εξέταση των κοινωνικών και ηθικών επιπτώσεων των εξελίξεων του AI, οι μαθητές/τριες θα έχετε την ευκαιρία να εμβαθύνετε και να εξερευνήσετε τα μοντέλα μηχανικής μάθησης και τους μηχανισμούς που τα κάνουν να λειτουργούν.

Οι μαθητές/τριες θα είναι σε θέση να λάβουν μέρος σε πρακτικές δραστηριότητες, στις οποίες θα δημιουργήσουν τα δικά τους μοντέλα μηχανικής μάθησης χρησιμοποιώντας το δωρεάν διαδικτυακό εργαλείο Machine Learning for Kids και θα αναλάβουν ένα έργο από την αρχή μέχρι το τέλος, περνώντας από τα στάδια του κύκλου ζωής ενός έργου AI.

Ημερομηνία δημιουργίας

Σάββατο 22 Φεβρουαρίου 2025

  • Μαθήματα Experience AI

    Μαθήματα Experience AI

    Εισαγωγή ενότητας

    Καλώς ήρθατε στη σειρά των έξι μαθημάτων μας που θα προσφέρουν στους/στις μαθητές/τριες σας μια εισαγωγή στον κόσμο της τεχνητής νοημοσύνης (AI) και της μηχανικής μάθησης (ML). Κατά τη διάρκεια αυτής της ενότητας, οι μαθητές σας θα γνωρίσουν μια ποικιλία πραγματικών εφαρμογών AI και θα ενημερωθούν για το ολοένα αυξανόμενο εύρος επαγγελμάτων που σχετίζονται με το AI. Παράλληλα με την εξέταση των κοινωνικών και ηθικών επιπτώσεων των εξελίξεων του AI, εσείς και οι μαθητές/τριες σας θα έχετε την ευκαιρία να εμβαθύνετε και να εξερευνήσετε τα μοντέλα μηχανικής μάθησης και τους μηχανισμούς που τα κάνουν να λειτουργούν. Οι μαθητές/τριες σας θα είναι σε θέση να λάβουν μέρος σε πρακτικές δραστηριότητες, στις οποίες θα δημιουργήσουν τα δικά τους μοντέλα μηχανικής μάθησης χρησιμοποιώντας το δωρεάν διαδικτυακό εργαλείο Machine Learning for Kids και θα αναλάβουν ένα έργο από την αρχή μέχρι το τέλος, περνώντας από τα στάδια του κύκλου ζωής ενός έργου AI.

    Επισκόπηση των μαθημάτων

    Μάθημα

    Σύντομη επισκόπηση

    Στόχοι μάθησης

    1 - Τι είναι το AI;

     

     

    Σε αυτό το μάθημα, οι μαθητές/τριες θα εξερευνήσουν την τρέχουσα κατάσταση της τεχνητής νοημοσύνης (AI) και πώς χρησιμοποιείται στον κόσμο γύρω τους. Θα εξετάσουν ορισμένα από τα οφέλη και τα μειονεκτήματα των συστημάτων AI.

     

    Αρχικά, οι μαθητές/τριες θα σκεφτούν τον όρο «νοημοσύνη» και θα λάβουν μέρος σε ένα παιχνίδι τρίλιζας (tic-tac-toe) εναντίον ενός αλγορίθμου («το έξυπνο χαρτί»). Στη συνέχεια, θα γίνει εισαγωγή στην τεχνητή νοημοσύνη στους/στις μαθητές/τριες και θα εξετάσουν τη διαφορά μεταξύ των προσεγγίσεων βάσει κανόνα και των προσεγγίσεων βάσει δεδομένων, προτού τους δοθεί χρόνος να εξερευνήσουν δύο εφαρμογές AI. Θα τους ζητηθεί να εξετάσουν τα οφέλη που θα μπορούσε να αποφέρει κάθε εφαρμογή στην κοινωνία, καθώς και να σκεφτούν τυχόν αρνητικές συνέπειες στις οποίες θα μπορούσε να οδηγήσει η χρήση τους.

     

    ●        Περιγράψτε τη διαφορά μεταξύ των προσεγγίσεων «βάσει δεδομένων» και «βάσει κανόνα» για την ανάπτυξη εφαρμογών

    ●        Αναφέρετε παραδείγματα εφαρμογών AI

    ●        Περιγράψτε ορισμένα οφέλη και ζητήματα από τη χρήση εφαρμογών AI

    2 - Πώς μαθαίνουν οι υπολογιστές από δεδομένα

    Σε αυτό το μάθημα, οι μαθητές/τριες θα αξιοποιήσουν τη νέα θεώρηση της τεχνητής νοημοσύνης από το Μάθημα 1, με ιδιαίτερη έμφαση στη χρήση των δεδομένων στα συστήματα AI. Οι δραστηριότητες θα βοηθήσουν τους/τις μαθητές/τριες να σκεφτούν κριτικά σχετικά με το ποια μέρη ενός συστήματος χρησιμοποιούν τις αρχές του AI και τον ρόλο που παίζει η μηχανική μάθηση στη δημιουργία των μοντέλων που παρουσιάστηκαν στο Μάθημα 1.

     

    Αρχικά, οι μαθητές/τριες θα εξετάσουν τη λειτουργικότητα ενός «έξυπνου» ηχείου, με στόχο να εντοπίσουν ποιες χρήσεις περιλαμβάνουν τεχνικές βάσει δεδομένων και ποιες όχι. Στη συνέχεια, θα γίνει εισαγωγή στον ορισμό και την περιγραφή της «μηχανικής μάθησης» και στον ρόλο της στο τοπίο του AI. Θα ακούσουν από ειδικούς για τους διαφορετικούς τύπους μηχανικής μάθησης και τα προβλήματα των οποίων η επίλυση μπορεί να διευκολυνθεί με τη χρήσης της.

     

    Τέλος, οι μαθητές/τριες θα μάθουν για ένα συγκεκριμένο παράδειγμα μηχανικής μάθησης, την ταξινόμηση. Εδώ χρησιμοποιούνται αλγόριθμοι για την ταξινόμηση (ομαδοποίηση) δεδομένων σε κατηγορίες (που ονομάζονται «κλάσεις») με τη βοήθεια παραδειγμάτων δεδομένων που έχουν ήδη επισημανθεί, τα οποία χρησιμοποιούνται για την εκπαίδευση των αλγορίθμων.

    ●        Ορίστε τη σχέση της μηχανικής μάθησης με την τεχνητή νοημοσύνη

    ●        Αναφέρετε τις τρεις συνήθεις προσεγγίσεις της μηχανικής μάθησης

    ●        Περιγράψτε πώς μπορεί να επιλυθεί η ταξινόμηση με τη χρήση μάθησης με επίβλεψη

     

     

    3 - Είσοδος προκαταλήψεων, έξοδος προκαταλήψεων

    Σε αυτό το μάθημα, οι μαθητές/τριες θα έχουν την ευκαιρία να δημιουργήσουν το δικό τους μοντέλο μηχανικής μάθησης. Το μοντέλο θα ταξινομήσει εικόνες μήλων και ντοματών, αλλά οι μαθητές/τριες θα ανακαλύψουν ότι το μοντέλο τους είναι προβληματικό λόγω του περιορισμένου συνόλου δεδομένων που θα χρησιμοποιήσουν για την εκπαίδευσή του. Στη συνέχεια, οι μαθητές/τριες θα διερευνήσουν πώς οι προκαταλήψεις μπορεί να εμφανιστούν σε σύνολα δεδομένων που χρησιμοποιούνται για την εκπαίδευση μοντέλων, τα οποία με τη σειρά τους κάνουν τα μοντέλα να παράγουν προκατειλημμένες προβλέψεις.

    ●        Περιγράψτε τον αντίκτυπο των δεδομένων στην ακρίβεια ενός μοντέλου μηχανικής μάθησης (ML)

    ●        Επεξηγήστε την ανάγκη τόσο για δεδομένα εκπαίδευσης όσο και για δεδομένα ελέγχου

    ●        Επεξηγήστε πώς οι προκαταλήψεις μπορούν να επηρεάσουν τις προβλέψεις που παράγονται από ένα μοντέλο ML

    4 - Δέντρα απόφασης

    Σε αυτό το μάθημα, οι μαθητές/τριες θα εξετάσουν για πρώτη φορά διεξοδικά έναν τύπο μοντέλου: τα δέντρα απόφασης. Οι δραστηριότητες βασίζονται στις γνώσεις των μαθητών/τριών από τα Μαθήματα 1–3 σχετικά με την ταξινόμηση, την εκπαίδευση και τα δεδομένα ελέγχου και τη φύση των μοντέλων που βασίζονται σε δεδομένα. Στόχος αυτού του μαθήματος είναι να κατανοήσουν τις διαδικασίες που χρησιμοποιούνται για τη δημιουργία μοντέλων μηχανικής μάθησης.

     

    Αρχικά, οι μαθητές/τριες θα μάθουν για τη δομή ενός δέντρου απόφασης, με την εισαγωγή τους στη βασική ορολογία και τα μέρη ενός δέντρου απόφασης. Στη συνέχεια, θα δουν πώς χρησιμοποιείται ένα δέντρο απόφασης για την επεξεργασία δεδομένων και την πρόβλεψη μιας επισήμανσης (κλάσης).

     

    Έπειτα, θα δουν πώς δημιουργείται ένα δέντρο απόφασης χρησιμοποιώντας δεδομένα εκπαίδευσης. Θα τους παρουσιάσετε τη διαδικασία με τη χρήση διαφανειών και μετά, θα εφαρμόσουν τη διαδικασία ανεξάρτητα με νέα δεδομένα εκπαίδευσης. Οι μαθητές/τριες θα έχουν επίσης την ευκαιρία να δουν τι σημαίνει πραγματικά ο όρος «βάσει δεδομένων», καθώς τα δύο δέντρα απόφασης που δημιουργούν με ξεχωριστά δεδομένα εκπαίδευσης θα είναι διαφορετικά.

     

    Τέλος, θα διερευνήσουν τους λόγους που η μηχανική μάθηση είναι χρήσιμη κατά τη δημιουργία δέντρων απόφασης, όσον αφορά τόσο την κλίμακα (τα σύνολα δεδομένων που χρησιμοποιούνται για τη δημιουργία μοντέλων ML είναι πολύ μεγάλα) όσο και την προσαρμοστικότητα (που είναι βάσει δεδομένων). Θα χρησιμοποιήσουν το Machine Learning for Kids για να δημιουργήσουν ένα δέντρο απόφασης χρησιμοποιώντας ένα μεγαλύτερο σύνολο δεδομένων και θα χρησιμοποιήσουν το δέντρο απόφασης που δημιουργούν.

    ●        Περιγράψτε πώς χρησιμοποιούνται τα δέντρα απόφασης για τη δημιουργία ενός μοντέλου ML ταξινόμησης

    ●        Περιγράψτε πώς τα δεδομένα εκπαίδευσης αλλάζουν ένα μοντέλο ML

    ●        Επεξηγήστε γιατί η ML χρησιμοποιείται για τη δημιουργία δέντρων απόφασης

    5 - Επίλυση προβλημάτων με μοντέλα ML

    Σε αυτό το μάθημα, θα γίνει εισαγωγή στον κύκλο ζωής του έργου AI στους/στις μαθητές/τριες και θα τον χρησιμοποιήσουν για τη δημιουργία ενός μοντέλου μηχανικής μάθησης προκειμένου να επιλύσουν ένα πρόβλημα της επιλογής τους.

     

    Αρχικά, θα κατατάξουν τα στάδια του κύκλου ζωής του έργου AI. Στη συνέχεια, θα γίνει εισαγωγή στην ιδέα της ανάγκης για μια προσέγγιση εστιασμένη στον χρήστη όταν εργάζονται σε έργα AI. Οι μαθητές/τριες θα έχουν τη δυνατότητα να επιλέξουν από μια σειρά έργων, και στη συνέχεια θα τους ζητηθεί να εκπαιδεύσουν ένα μοντέλο μηχανικής μάθησης και να το δοκιμάσουν για να καθορίσουν την ακρίβειά του.

    ●        Περιγράψτε τα στάδια του κύκλου ζωής ενός έργου AI

    ●        Χρησιμοποιήστε ένα εργαλείο μηχανικής μάθησης για την εισαγωγή δεδομένων και την εκπαίδευση ενός μοντέλου

    ●        Ελέγξτε και εξετάστε την ακρίβεια ενός μοντέλου ML

    6 - Κάρτες μοντέλου και καριέρα

    Σε αυτό το μάθημα, οι μαθητές/τριες θα ολοκληρώσουν τα τελικά στάδια του κύκλου ζωής του έργου AI: αξιολόγηση και επεξήγηση ενός μοντέλου. Για να τους βοηθήσουμε να εξηγήσουν το μοντέλο τους, θα γίνει εισαγωγή στις κάρτες μοντέλου, οι οποίες αποτελούν τρόπο για τους προγραμματιστές ενός μοντέλου να κοινοποιήσουν τις σημαντικές πληροφορίες σχετικά με τον τρόπο χρήσης του μοντέλου, τα αποτελέσματα του ελέγχου και τυχόν περιορισμούς που σχετίζονται με την ακρίβεια του μοντέλου.

     

    Στις τελικές δραστηριότητες αυτού του μαθήματος, οι μαθητές/τριες θα εξερευνήσουν μια σειρά από επαγγέλματα τόσο στον τομέα του AI όσο και σε άλλους τομείς στους οποίους χρησιμοποιούνται εφαρμογές AI. Θα μάθουν περισσότερα για τα μέλη του προσωπικού της DeepMind που έχουν εμφανιστεί στα βίντεο που παρακολούθησαν σε όλη την ενότητα και θα εξερευνήσουν πώς οι εφαρμογές AI και η μηχανική μάθηση μπορούν να χρησιμοποιηθούν σε τομείς που τους ενδιαφέρουν.

    ●        Αξιολογήστε ένα μοντέλο ML

    ●        Δημιουργήστε μια κάρτα μοντέλου για την επεξήγηση ενός μοντέλου ML

    ●        Αναγνωρίστε το εύρος των ευκαιριών που υπάρχουν σε επαγγέλματα που σχετίζονται με το AI

    Αξιολόγηση

    Οι ευκαιρίες για αξιολόγηση του βαθμού κατανόησης περιγράφονται επιγραμματικά στο σχέδιο μαθήματος για καθένα από τα έξι μαθήματα. Επιπλέον, αυτή η ενότητα περιλαμβάνει μια συνοπτική αξιολόγηση που αποτελείται από 19 ερωτήσεις. Το έγγραφο περιλαμβάνει την αξιολόγηση καθώς και τις απαντήσεις και έχει σχεδιαστεί για να σας υποστηρίξει προκειμένου να είστε σε θέση να αξιολογήσετε γρήγορα την πρόοδο που σημείωσαν οι μαθητές/τριες σας και να σας βοηθήσει να εντοπίσετε που έχουν δημιουργηθεί κενά στην εκμάθηση αυτού του θέματος. Επίσης, έχουμε σχεδιάσει τις ερωτήσεις για να τις καταστήσουμε κατάλληλες για μεταφόρτωση σε διαδικτυακές πλατφόρμες αυτοαξιολόγησης όπως το Google Forms.

    Πρόοδος

    Η πρόοδος της ενότητας αυτής έχει μελετηθεί προσεκτικά  σε σχέση με το πώς οι μαθητές/τριες έχουν κατανοήσει τις έννοιες της τεχνητής νοημοσύνης που περιλαμβάνονται στα μαθήματα. Έχουν δημιουργηθεί γραφήματα μάθησης για την παρουσίαση αυτής της προόδου. Για να μάθουν μερικές από τις έννοιες και τις δεξιότητες, οι μαθητές/τριες χρειάζονται πρότερες γνώσεις. Επομένως, τα γραφήματα μάθησης δείχνουν πώς σχετίζονται οι έννοιες και οι δεξιότητες. Τα γραφήματα μάθησης έχουν σχεδιαστεί για χρήση από εκπαιδευτικούς.

     

     

     

     

    Τα γραφήματα μάθησης έχουν παρουσιαστεί σε τρεις μορφές για να απεικονίσουν πώς σημειώνεται η πρόοδος της μάθησης σε σχέση με τρεις δείκτες:

     

    Γνώση αντικειμένου

    Αυτή η ενότητα έχει σχεδιαστεί για την υποστήριξη των εκπαιδευτικών που μπορεί να είναι νέοι στην διδασκαλία περιεχομένου AI και ML σε νεαρούς/ές μαθητές/τριες. Τα σχέδια μαθημάτων περιλαμβάνουν λεπτομερείς επεξηγήσεις για όλο το βασικό λεξιλόγιο και τις έννοιες που καλύπτονται σε κάθε μάθημα και οι διαφάνειες περιλαμβάνουν βίντεο από τους ειδικούς της DeepMind, οι οποίοι θα περιγράφουν νέες έννοιες απευθείας στους/στις μαθητές/τριες σας.

    Η σειρά διαδικτυακών σεμιναρίων μας αναλύει κάθε μάθημα και εξερευνά τις έννοιες πίσω από αυτά: http://rpf.io/experienceaiwebinars.

    Ιστότοποι που χρησιμοποιήθηκαν σε αυτήν την ενότητα

    Ακολουθεί κατάλογος με τους ιστότοπους που χρησιμοποιούνται για την παροχή των μαθημάτων Experience AI. Συνιστούμε να ελέγξετε ότι οι σύνδεσμοι λειτουργούν στην τάξη σας τόσο για τους εκπαιδευτικούς όσο και για τους/τις μαθητές/τριες πριν από την παράδοση του μαθήματος.

     

    Πόρος

    Μάθημα

    ΔΙΕΥΘΥΝΣΗ URL

    Δεδομένα δραστηριότητας Raspberry Pi AI

    Υπολογιστική όραση

    1

    http://rpf.io/ai-computer-vision-el

    Δεδομένα εκπαίδευσης και ελέγχου

    3

    http://rpf.io/ai-supermarket-el

    Δεδομένα έργου ταξινόμησης αποβλήτων

    5 & 6

    http://rpf.io/ai-waste-classification-el

    Άλλοι ιστότοποι δραστηριοτήτων μαθητών

    Craiyon

    1

    craiyon.com

    Machine Learning for Kids

    3-5

    machinelearningforkids.co.uk

    Κάρτες μοντέλου Google

    6

    modelcards.withgoogle.com/face-detection (by rpf.io/modelcard)

    Μια σειρά από βίντεο της Raspberry Pi, που φιλοξενούνται στο YouTube

    Τι είναι η τεχνητή νοημοσύνη;

    1

    rpf.io/xai-1-v1

    Τι είναι η μηχανική μάθηση;

    2

    rpf.io/xai-2-v1

    Πώς μαθαίνουν οι μηχανές;

    2

    rpf.io/xai-2-v2

    Ταξινόμηση λιονταριών στο Σερενγκέτι

    2

    rpf.io/xa1-2-v3

    Μηχανική μάθηση: είσοδος προκαταλήψεων, έξοδος προκαταλήψεων

    3

    rpf.io/xai-3-v1

    Επιλέγοντας το μοντέλο μηχανικής μάθησης

    4

    rpf.io/xai-4-v1

    Πώς να κάνετε ένα δέντρο απόφασης με μηχανική μάθηση

    4

    rpf.io/xai-4-v2

    Πώς δημιουργούνται οι εφαρμογές AI;

    5

    rpf.io/xai-5-v1

    Εισαγωγή του έργου Fake News (Ψευδείς ειδήσεις)

    5

    rpf.io/xai-5-v2

    Εισαγωγή έργου ταξινόμησης δεδομένων ωκεανών

    5

    rpf.io/xai-5-v3

    Επιλέγοντας το σωστό μοντέλο για την AI εφαρμογή σας

    6

    rpf.io/xai-6-v1

    Πώς είναι να εργάζεται κάποιος στον τομέα του AI;

    6

    rpf.io/xai-6-v2

     

    Επιπλέον, αυτοί οι ιστότοποι προτείνονται για την υποστήριξη της γνώσης του αντικειμένου των εκπαιδευτικών:

     

    Πόρος

    ΔΙΕΥΘΥΝΣΗ URL

    Άρθρα παιδαγωγικής Raspberry Pi

    Πλαίσιο SEAME

    raspberrypi.org/app/uploads/2022/12/RPF-Seminar-Proceedings-Volume-3.pdf (από rpf.io/seame) σ.14–15

    Γρήγορη ανάγνωση: Διαχείριση των εναλλακτικών αντιλήψεων των μαθητών στην πληροφορική

    static.raspberrypi.org/files/curriculum/quickreads/19-Pedagogy_Summary_Alternative_Conceptions_V3_2023.pdf (από the-cc.io/qr19)

    Γρήγορη ανάγνωση: Βελτίωση επεξηγήσεων και δραστηριοτήτων μάθησης στην πληροφορική με χρήση σημασιολογικών κυμάτων

    static.raspberrypi.org/files/curriculum/quickreads/6-Pedagogy_Summary_Semantic_Waves_V3_2023.pdf (από the-cc.io/qr06)

    Περαιτέρω ανάγνωση

    Κάρτες μοντέλου Google

    modelcards.withgoogle.com/about

    Ταξινομία Bloom

    cft.vanderbilt.edu/guides-sub-pages/blooms-taxonomy (από rpf.io/blooms)

    Άρθρο της Wikipedia για το Deep Blue εναντίον του Garry Kasparov

    wikipedia.org/wiki/Deep_Blue_versus_Garry_Kasparov

    Το έξυπνο χαρτί από το Teaching London Computing

    learninglondoncomputing.org/resources/inspiring-unplugged-classroom-activities/the-intelligent-piece-of-paper-activity

     

    Αφήστε μας τα σχόλιά σας!

     

    Θα θέλαμε να μάθουμε πώς έχετε χρησιμοποιήσει τα μαθήματα Experience AI και τη γνώμη σας γι’ αυτά.

     

    Αφού χρησιμοποιήσετε τα μαθήματα, αφιερώστε λίγα λεπτά για να:

    Κοινοποιήσετε τα σχόλιά σας στην έρευνα χρηστών μας: rpf.io/exai-2mf

    Εάν είστε εκπαιδευτικός, ζητήστε από τους/τις μαθητές/τριες σας να συμπληρώσουν μια σύντομη έρευνα: rpf.io/exai-st

     

    Τα σχόλιά σας μας στηρίζουν να κάνουμε το Experience AI προσβάσιμο σε όλους και εκτιμούμε πραγματικά τον χρόνο που αφιερώσατε για να κοινοποιήσετε τη γνώμη σας.

     

     

    Αυτός ο πόρος διατίθεται από το Raspberry Pi Foundation με άδεια χρήσης Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International Public License (CC BY-NC-ND 4.0). Για περισσότερες πληροφορίες σχετικά με την άδεια αυτή, ανατρέξτε στην ηλεκτρονική διεύθυνση creativecommons.org/licenses/by-nc-nd/4.0.