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

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

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