Κατανόηση του AI (11-14)
Γιατί να μην εξερευνήσετε το γλωσσάρι AI;
Γλωσσάρι όρων AI
Ενημερώθηκε: 9 Δεκ 24
Ενημερώθηκε: 9 Δεκ 24
Εισάγετε μαθητές ηλικίας 11 έως 14 ετών στο AI και στη μηχανική μάθηση με σαφή και υπεύθυνο τρόπο μέσα από αυτήν την ενδιαφέρουσα ενότητα 4 μαθημάτων. Αναπτύχθηκε από το Raspberry Pi Foundation και την Google DeepMind από κοινού.
Ενημερώθηκε: 27 Ιουλ 26
Ενημερώθηκε: 27 Ιουλ 26
Ενημερώθηκε: 27 Ιουλ 26
Ενημερώθηκε: 27 Ιουλ 26
Ενημερώθηκε: 27 Ιουλ 26
Οι μαθητές και οι μαθήτριες θα εισαχθούν στον όρο «Τεχνητή Νοημοσύνη» (AI) και θα ολοκληρώσουν δραστηριότητες για να περιγράψουν τι είναι το AI και τι δεν είναι το AI, καθώς και πώς τα συστήματα AI μπορούν να χρησιμοποιηθούν προς όφελος της κοινωνίας. Θα ενθαρρυνθούν να αναλύσουν τη γλώσσα που χρησιμοποιείται για την περιγραφή του AI και να χρησιμοποιήσουν κατάλληλους και τεχνικούς όρους.
Σε αυτό το μάθημα, οι εκπαιδευόμενοι θα μάθουν να περιγράφουν τη διαφορά μεταξύ των προσεγγίσεων data-driven (βάσει δεδομένων) και εκείνων rule-based (βάσει κανόνα) για την επίλυση προβλημάτων. Θα διερευνήσουν πώς δημιουργούνται τα συστήματα μηχανικής μάθησης χρησιμοποιώντας μια προσέγγιση Data-driven (Βάσει δεδομένων), συμπεριλαμβανομένης της μάθησης με επίβλεψη.
Οι Εκπαιδευόμενοι θα διερευνήσουν πώς δημιουργούνται τα μοντέλα μηχανικής μάθησης (ML) με τη μάθηση με επίβλεψη. Θα αναπτύξουν την κατανόησή τους σχετικά με το πώς τα επισημασμένα δεδομένα εκπαίδευσης χρησιμοποιούνται για την εκπαίδευση μοντέλων ταξινόμησης, αλληλεπιδρώντας με το Quick, Draw!, ένα διαδραστικό εργαλείο AI. Τέλος, θα εξετάσουν πώς χρησιμοποιούνται οι βαθμοί εμπιστοσύνης στις προβλέψεις μοντέλων ML.
Οι εκπαιδευόμενοι θα διερευνήσουν πώς μπορεί να εμφανιστούν προκαταλήψεις στα μοντέλα μηχανικής μάθησης λόγω των δεδομένων που χρησιμοποιήθηκαν για την εκπαίδευσή τους. Θα δημιουργήσουν το δικό τους μοντέλο μηχανικής μάθησης για να ταξινομούν εικόνες μήλων και ντοματών και θα ανακαλύψουν πώς ένα περιορισμένο σύνολο δεδομένων μπορεί να οδηγήσει σε προκατειλημμένες και ανακριβείς προβλέψεις. Τέλος, θα ερευνήσουν δύο τύπους προκαταλήψεων που μπορούν να εμφανιστούν στα δεδομένα εκπαίδευσης.
