Understanding AI

Kodėl neperžiūrėjus DI žodyno?

DI terminų žodynas

Atnaujinta: 10 Vas 25

Pamokos

Introduce students aged 11 to 14 to AI and machine learning in a clear and responsible way through this engaging 4-lesson module.

Skyriaus apžvalga

Atnaujinta: 13 Sau 26

Šiuo metu tik anglų kalba

Mokymosi diagrama

Atnaujinta: 13 Sau 26

Šiuo metu tik anglų kalba

1 modulis. Apibendrinamasis vertinimas

Atnaujinta: 13 Sau 26

Šiuo metu tik anglų kalba

1 modulis. Vertinimo atsakymai

Atnaujinta: 13 Sau 26

Šiuo metu tik anglų kalba

Mokinių žodynėlis

Atnaujinta: 13 Sau 26

Šiuo metu tik anglų kalba

1 modulis. 1 pamoka. Kas yra dirbtinis intelektas?

Mokiniai bus supažindinti su terminu „dirbtinis intelektas“ (DI) ir atliks užduotis, kad apibūdintų, kas yra ir nėra DI bei kaip DI sistemos gali būti naudojamos visuomenės labui. Jie bus skatinami analizuoti terminologiją, vartojamą DI apibūdinti, ir vartoti tinkamus bei techninius terminus.

  • Šiuo metu tik anglų kalba
Peržiūrėti mokomąją priemonę

1 modulis. 2 pamoka. Mašininis mokymasis

Šioje pamokoje mokiniai išmoks apibūdinti skirtumą tarp duomenimis pagrįstų ir taisyklėmis pagrįstų problemų sprendimo būdų. Jie nagrinės, kaip mašininio mokymosi sistemos kuriamos naudojant duomenimis grindžiamą metodą, įskaitant prižiūrimą mokymąsi.

  • Šiuo metu tik anglų kalba
Peržiūrėti mokomąją priemonę

1 modulis. 3 pamoka. Klasifikacija

Mokiniai nagrinės, kaip prižiūrimo mokymosi būdu kuriami mašininio mokymosi (MM) modeliai. Jie gilins supratimą apie tai, kaip žymėti apmokymo duomenys naudojami klasifikavimo modeliams mokyti, sąveikaudami su interaktyvia dirbtinio intelekto priemone „Quick, Draw!“. Galiausiai jie nagrinės, kaip patikimumo balai naudojami MM modelių prognozėse.

  • Šiuo metu tik anglų kalba
Peržiūrėti mokomąją priemonę

1 modulis. 4 pamoka. Duomenų šališkumas

Mokiniai nagrinės, kaip mašininio mokymosi modeliuose gali atsirasti duomenų, naudojamų jiems mokyti, šališkumas. Jie sukurs savo mašininio mokymosi modelį obuolių ir pomidorų vaizdams klasifikuoti ir išsiaiškins, kaip ribotas duomenų rinkinys gali lemti šališkas ir netikslias prognozes. Galiausiai jie išnagrinės dviejų tipų šališkumą, kuris gali atsirasti apmokymo duomenyse.

  • Šiuo metu tik anglų kalba
Peržiūrėti mokomąją priemonę