Ενότητα 1 - Μάθημα 3: Ταξινόμηση

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.

Στόχοι μάθησης

  • Να περιγράφουν πώς χρησιμοποιείται η μάθηση με επίβλεψη για τη δημιουργία ενός μοντέλου ταξινόμησης χρησιμοποιώντας κλάσεις και επισημασμένα δεδομένα
  • Να εξηγούν πώς χρησιμοποιούνται οι βαθμοί εμπιστοσύνης στις προβλέψεις ταξινόμησης

Βασικό λεξιλόγιο

Μάθηση με επίβλεψη, Ταξινόμηση, Κλάση, Επισήμανση, Βαθμός εμπιστοσύνης

Δομή μαθήματος

  • Δραστηριότητα 1: Rule-based (Βάσει κανόνα) ή data-driven (βάσει δεδομένων);
  • Δραστηριότητα 2: Ταξινόμηση
  • Δραστηριότητα 3: Άλλοι τύποι ταξινόμησης
  • Προαιρετικά: Ταξινόμηση στον πραγματικό κόσμο

Λήψη πόρων του μαθήματος

Για να κάνετε λήψη του σχεδίου μαθήματος, των διαφανειών και των δραστηριοτήτων, συνδεθείτε ή δημιουργήστε έναν δωρεάν λογαριασμό στο Raspberry Pi Foundation.
Στη συνέχεια, θα σας κάνουμε μερικές ερωτήσεις για να μας βοηθήσετε να καταλάβουμε πώς θα χρησιμοποιήσετε τους πόρους.