Compreender a IA

Por que não explorar o glossário de IA?

Glossário de Termos de IA

Atualizado: 13 jan 25

Lições

Apresente a IA e a machine learning aos alunos dos 11 aos 14 anos, de uma forma clara e responsável, através deste módulo envolvente de quatro sessões.

Visão geral do módulo

Atualizado: 13 jan 26

Atualmente, só em inglês

Gráfico de aprendizagem

Atualizado: 13 jan 26

Atualmente, só em inglês

Módulo 1 — Avaliação global

Atualizado: 13 jan 26

Atualmente, só em inglês

Módulo 1 — Respostas da avaliação

Atualizado: 13 jan 26

Atualmente, só em inglês

Glossário do formando

Atualizado: 13 jan 26

Atualmente, só em inglês

Módulo 1 — Sessão 1: O que é a IA?

Os formandos serão apresentados ao termo "inteligência artificial" (IA) e realizarão atividades para descrever o que é a IA, o que não é e como os sistemas de IA podem ser utilizados para beneficiar a sociedade. Serão encorajados a analisar a linguagem utilizada para descrever a IA e a utilizar termos técnicos apropriados.

  • Atualmente, só em inglês
Ver recurso

Módulo 1 — Sessão 2: Machine learning (ML)

Nesta sessão, os formandos vão aprender a descrever a diferença entre a abordagem orientada por dados e a abordagem baseada em regras na resolução de problemas. Vão explorar como os sistemas de machine learning são criados utilizando uma abordagem orientada por dados, incluindo a aprendizagem supervisionada.

  • Atualmente, só em inglês
Ver recurso

Módulo 1 — Sessão 3: Classificação

Os formandos vão explorar como os modelos de machine learning (ML) são criados com aprendizagem supervisionada. Vão desenvolver a sua compreensão de como os dados de treino rotulados são utilizados para treinar modelos de classificação interagindo com o Quick, Draw!, uma ferramenta interativa de IA. Por fim, vão examinar como os índices de confiança são utilizados nas previsões dos modelos de ML.

  • Atualmente, só em inglês
Ver recurso

Módulo 1 — Sessão 4: Dados enviesados geram resultados enviesados

Os formandos vão explorar como o enviesamento pode surgir nos modelos de machine learning devido aos dados utilizados para os treinar. Vão criar o seu próprio modelo de machine learning para classificar imagens de maçãs e tomates e vão descobrir como um conjunto de dados limitado pode levar a previsões enviesadas e imprecisas. Por fim, vão investigar dois tipos de enviesamento que podem aparecer nos dados de treino.

  • Atualmente, só em inglês
Ver recurso