Розуміння ШІ

Перегляньте глосарій ШІ.

Глосарій ШІ

Оновлено: 21 бер. 25

Уроки

Цей захопливий модуль із 4 уроків знайомить учнів і учениць віком від 11 до 14 років зі ШІ та машинним навчанням у зрозумілій та відповідальній формі.

Огляд курсу

Оновлено: 13 січ. 26

Зараз доступно лише англійською

Навчальні діаграми

Оновлено: 13 січ. 26

Зараз доступно лише англійською

Модуль 1. Підсумкове оцінювання

Оновлено: 13 січ. 26

Зараз доступно лише англійською

Модуль 1. Відповіді на оцінювання

Оновлено: 13 січ. 26

Зараз доступно лише англійською

Глосарій для учнівства

Оновлено: 13 січ. 26

Зараз доступно лише англійською

Модуль 1 — Урок 1. Що таке ШІ?

Учні й учениці познайомляться з терміном «штучний інтелект» (ШІ) і виконають вправи, які описують, що таке ШІ, чим він не є і як системи ШІ можуть використовуватися на благо суспільства. Їм буде запропоновано проаналізувати мову, яка використовується для опису ШІ, і використовувати відповідні технічні терміни.

  • Зараз доступно лише англійською
Переглянути ресурс

Модуль 1 — Урок 2. Машинне навчання

На цьому уроці діти навчаться описувати різницю між підходами до вирішення завдань на основі даних і підходами на основі правил. Вони дізнаються, як створюються системи машинного навчання з використанням підходу на основі даних, зокрема про кероване навчання.

  • Зараз доступно лише англійською
Переглянути ресурс

Модуль 1 — Урок 3. Класифікація

Учні й учениці дізнаються, як створюються моделі машинного навчання (МН) з використанням контрольованого навчання. Вони поглиблять своє розуміння того, як дані для тренування з позначками використовуються для тренування моделей класифікації, взаємодіючи з Quick, Draw! — інтерактивним інструментом ШІ. Насамкінець вони розглянуть, як використовується показник імовірності в прогнозах моделей МН.

  • Зараз доступно лише англійською
Переглянути ресурс

Модуль 1 — Урок 4. Упереджені дані, упереджені результати

Діти вивчать, як може виникати упередженість у моделях машинного навчання через дані, що використовуються для тренування моделей. Учні й учениці створять власну модель машинного навчання для класифікації зображень яблук і помідорів та з’ясують, як обмежений набір даних може призвести до упереджених і неточних прогнозів. Нарешті, вони досліджуватимуть два типи упередженості, які можуть виникати в даних для тренування.

  • Зараз доступно лише англійською
Переглянути ресурс