Understanding AI

Poznaj słownik terminów związanych ze sztuczną inteligencją

Słownik terminów AI

Zaktualizowano: 5 mar 25

Lekcje

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

Omówienie cyklu lekcji

Zaktualizowano: 13 sty 26

Obecnie tylko w języku angielskim

Wykres szkoleniowy

Zaktualizowano: 13 sty 26

Obecnie tylko w języku angielskim

Moduł 1 – Ocena podsumowująca

Zaktualizowano: 13 sty 26

Obecnie tylko w języku angielskim

Moduł 1 – Odpowiedzi do oceny

Zaktualizowano: 13 sty 26

Obecnie tylko w języku angielskim

Słownik dla uczniów

Zaktualizowano: 13 sty 26

Obecnie tylko w języku angielskim

Moduł 1 – Lekcja 1: Co to jest sztuczna inteligencja (AI)?

Uczniowie zapoznają się z terminem „sztuczna inteligencja” (AI) i wykonają ćwiczenia, które pomogą im zrozumieć, czym AI jest, czym nie jest oraz jak systemy AI mogą służyć społeczeństwu. Nauczą się także, jak analizować język używany do opisu AI i stosować właściwą, fachową terminologię.

  • Obecnie tylko w języku angielskim
Zobacz materiały

Moduł 1 – Lekcja 2: Uczenie maszynowe

W tej lekcji uczniowie nauczą się opisywać różnice między podejściem opartym na danych a podejściem opartym na regułach w rozwiązywaniu problemów. Poznają również, jak tworzy się systemy uczenia maszynowego, korzystając z podejścia opartego na danych, w tym uczenia nadzorowanego.

  • Obecnie tylko w języku angielskim
Zobacz materiały

Moduł 1 – Lekcja 3: Klasyfikacja

Uczniowie dowiedzą się, jak tworzy się modele uczenia maszynowego (ML) przy użyciu uczenia nadzorowanego. Poznają, w jaki sposób oznaczone etykietami dane treningowe są używane do trenowania modeli klasyfikacyjnych, korzystając z interaktywnego narzędzia AI „Quick, Draw!”. Na koniec przeanalizują, jak poziomy ufności są stosowane w przewidywaniach modeli ML.

  • Obecnie tylko w języku angielskim
Zobacz materiały

Moduł 1 – Lekcja 4: Tendencyjne dane to tendencyjne wyniki

Uczniowie zbadają, w jaki sposób w modelach uczenia maszynowego mogą pojawiać się tendencyjne wyniki na skutek doboru danych treningowych. Stworzą własny model uczenia maszynowego do klasyfikowania obrazów jabłek i pomidorów oraz przekonają się, jak zastosowanie ograniczonego zbioru danych może prowadzić do tendencyjnych i niedokładnych przewidywań. Na koniec poznają dwa rodzaje tendencyjności, które mogą występować w danych treningowych.

  • Obecnie tylko w języku angielskim
Zobacz materiały