Machine Learning: BasisprincipesActiviteiten & didactische strategieën
Actief leren werkt goed voor machine learning omdat leerlingen abstracte concepten zoals patronenherkenning en bias het beste begrijpen door ze zelf te ervaren. Door data te manipuleren en modellen te testen, ontdekken ze direct hoe algoritmen werken zonder dat het abstract blijft.
Leerdoelen
- 1Vergelijk de werking van een traditioneel geprogrammeerd algoritme met een machine learning model op basis van hun leerprocessen.
- 2Classificeer gegeven voorbeelden als behorende tot supervised of unsupervised learning, met onderbouwing.
- 3Analyseer de impact van bias in trainingsdata op de uitkomst van een machine learning model, met concrete voorbeelden.
- 4Demonstreer de basisprincipes van hoe een machine learning model leert van data aan de hand van een gesimuleerd scenario.
Wil je een compleet lesplan met deze leerdoelen? Genereer een missie →
Paarwerk: Supervised vs Unsupervised
Deel eenvoudige datasets uit: gelabelde voor spamdetectie en ongelabelde voor fruitclustering. Laat paren patronen identificeren en classificeren zonder computer. Discussieer verschillen en noteer observaties.
Voorbereiding & details
Differentiëer tussen een geprogrammeerd algoritme en een zelflerend machine learning model.
Facilitatietip: Zorg dat de paren bij de eerste activiteit een duidelijke dataset krijgen met zowel gelabelde als ongelabelde voorbeelden om de verschillen tastbaar te maken.
Setup: Groepjes aan tafels met toegang tot bronmateriaal
Materials: Verzameling bronmateriaal, Werkblad onderzoekscyclus, Protocol voor het formuleren van vragen, Format voor de presentatie van bevindingen
Small Groups: Bias Simulatie
Geef groepen een trainingsdataset met genderbias in sollicitaties. Train een simpel model via Google Sheets of Scratch. Analyseer output en pas data aan om bias te verminderen, presenteer bevindingen.
Voorbereiding & details
Verklaar het verschil tussen supervised en unsupervised learning met concrete voorbeelden.
Facilitatietip: Geef tijdens de bias-simulatie groepen verschillende datasets met opvallende scheefheden, zodat de impact van bias direct zichtbaar wordt.
Setup: Groepjes aan tafels met toegang tot bronmateriaal
Materials: Verzameling bronmateriaal, Werkblad onderzoekscyclus, Protocol voor het formuleren van vragen, Format voor de presentatie van bevindingen
Whole Class: ML Demo met Teachable Machine
Demonstreer live een model trainen op gebaren. Laat klas stemmen op voorspellingen. Bespreken hoe data het model beïnvloedt en experimenteer met eigen data-invoer.
Voorbereiding & details
Analyseer hoe vooroordelen in trainingsdata kunnen leiden tot discriminerende algoritmen.
Facilitatietip: Laat bij de Teachable Machine-demonstratie de hele klas meekijken terwijl je een model traint met een eenvoudige dataset, zodat iedereen het proces stap voor stap ziet.
Setup: Groepjes aan tafels met toegang tot bronmateriaal
Materials: Verzameling bronmateriaal, Werkblad onderzoekscyclus, Protocol voor het formuleren van vragen, Format voor de presentatie van bevindingen
Individueel: Reflectie op Voorbeelden
Leerlingen kiezen een dagelijks voorbeeld (bv. Netflix-aanbevelingen) en schrijven of het supervised of unsupervised is, met uitleg van data-gebruik.
Voorbereiding & details
Differentiëer tussen een geprogrammeerd algoritme en een zelflerend machine learning model.
Setup: Groepjes aan tafels met toegang tot bronmateriaal
Materials: Verzameling bronmateriaal, Werkblad onderzoekscyclus, Protocol voor het formuleren van vragen, Format voor de presentatie van bevindingen
Dit onderwerp onderwijzen
Leer leerlingen niet alleen de theorie, maar laat ze ervaren hoe statistiek en data de basis vormen van machine learning. Vermijd technisch jargon in het begin en focus op herkenbare voorbeelden. Onderzoek toont aan dat leerlingen die zelf data verzamelen en modellen testen, deze concepten beter vasthouden dan wanneer ze alleen luisteren naar uitleg.
Wat je kunt verwachten
Succesvolle leerlingen kunnen supervised en unsupervised learning met concrete voorbeelden uitleggen en herkennen in dagelijkse toepassingen. Ze kunnen bias in data benoemen en uitleggen hoe dit de uitkomsten van een model beïnvloedt.
Deze activiteiten zijn een startpunt. De volledige missie is de ervaring.
- Compleet facilitatiescript met docentendialogen
- Printklaar leerlingmateriaal, klaar voor de klas
- Differentiatiestrategieën voor elk type leerling
Pas op voor deze misvattingen
Veelvoorkomende misvattingTijdens de activiteit Paarwerk: Supervised vs Unsupervised denken leerlingen dat machine learning pure magie is zonder wiskunde.
Wat je in plaats daarvan kunt onderwijzen
Geef de paren een kleine dataset met herhalende patronen en laat ze handmatig tellen hoe vaak een patroon voorkomt. Vraag ze daarna om het model te trainen en te observeren hoe het algoritme zelf patronen ontdekt, waardoor ze zien dat het gebaseerd is op herkenning en telling, geen tovenarij.
Veelvoorkomende misvattingTijdens de activiteit Paarwerk: Supervised vs Unsupervised denken leerlingen dat supervised learning altijd beter is dan unsupervised.
Wat je in plaats daarvan kunt onderwijzen
Laat de paren na afloop van de activiteit een voorbeeld bedenken waarin unsupervised learning (zoals klantsegmentatie) beter werkt dan supervised. Bespreek klassikaal waarom context en beschikbare data bepalen welke methode geschikt is.
Veelvoorkomende misvattingTijdens de activiteit Small Groups: Bias Simulatie denken leerlingen dat trainingsdata altijd neutraal is.
Wat je in plaats daarvan kunt onderwijzen
Laat de groepen tijdens de activiteit een biased dataset aanpassen door bewust bepaalde groepen onder- of over te representeren. Vraag ze daarna om het model te evalueren op een testset en bespreek hoe de bias doorwerkt in de voorspellingen.
Toetsideeën
Na de activiteit Paarwerk: Supervised vs Unsupervised vraag je leerlingen om op kaartjes een voorbeeld van supervised learning en een voorbeeld van unsupervised learning te schrijven met een korte uitleg waarom hun keuze past. Verzamel de antwoorden en bespreek klassikaal de diversiteit aan voorbeelden.
Tijdens de activiteit Bias Simulatie presenteer je de casus van het nieuwsalgoritme en leid je een klassengesprek over de risico’s van biased data. Observeer welke leerlingen de bias kunnen benoemen en kritisch kunnen nadenken over de gevolgen voor verschillende gebruikersgroepen.
Na de activiteit Reflectie op Voorbeelden laat je leerlingen op een briefje twee vragen beantwoorden: 1. Wat is het belangrijkste verschil tussen een geprogrammeerd algoritme en een machine learning model? 2. Noem één risico van het gebruik van bevooroordeelde data bij het trainen van een model. Gebruik de antwoorden om te zien of leerlingen de kernconcepten snappen.
Uitbreidingen & ondersteuning
- Laat snelle leerlingen een eigen dataset verzamelen (bijvoorbeeld via een enquête) en trainen met Teachable Machine, waarbij ze de resultaten presenteren aan de klas.
- Voor leerlingen die moeite hebben, geef een voorbereide dataset met duidelijke labels en ongelabelde clusters, zodat ze direct kunnen zien wat supervised en unsupervised inhouden.
- Breid de bias-simulatie uit door leerlingen een eigen biased dataset te laten bedenken en deze te laten testen op een voorgemaakt model.
Kernbegrippen
| Machine Learning | Een tak van kunstmatige intelligentie die computers in staat stelt te leren van data zonder expliciet geprogrammeerd te zijn. Modellen identificeren patronen en maken voorspellingen of beslissingen. |
| Supervised Learning | Een type machine learning waarbij het model traint op gelabelde data. Dit betekent dat voor elke invoer de juiste uitvoer bekend is, zoals bij het classificeren van afbeeldingen van dieren. |
| Unsupervised Learning | Een type machine learning waarbij het model traint op ongelabelde data. Het doel is om verborgen patronen of structuren in de data te ontdekken, zoals het groeperen van vergelijkbare klanten. |
| Trainingsdata | De dataset die gebruikt wordt om een machine learning model te trainen. De kwaliteit en representativiteit van deze data zijn cruciaal voor de prestaties van het model. |
| Bias (in data) | Systematische vertekening in trainingsdata die kan leiden tot oneerlijke of discriminerende uitkomsten van het machine learning model. Dit kan voortkomen uit onvolledige of bevooroordeelde dataverzameling. |
Voorgestelde methodieken
Meer in Data en Informatie
Wat is Data? Van Ruwe Feiten tot Informatie
Leerlingen differentiëren tussen data, informatie en kennis, en begrijpen het proces van dataverwerking.
2 methodologies
Relationele Databases en SQL
Leerlingen structureren data in tabellen en leren hoe ze informatie kunnen opvragen en manipuleren met SQL-query's.
2 methodologies
Database Ontwerp: Tabellen en Relaties
Leerlingen leren hoe ze data logisch kunnen organiseren in tabellen en hoe ze relaties tussen deze tabellen kunnen definiëren om een efficiënte en consistente database te creëren.
2 methodologies
Big Data: Kenmerken en Uitdagingen
Leerlingen verkennen de '3 V's' van Big Data (Volume, Velocity, Variety) en de uitdagingen die gepaard gaan met het verwerken en analyseren van enorme datasets.
2 methodologies
Datavisualisatie: Effectief Communiceren
Leerlingen leren hoe ze inzichten uit data effectief kunnen communiceren door middel van grafische representaties en kritisch de kwaliteit van visualisaties beoordelen.
2 methodologies
Klaar om Machine Learning: Basisprincipes te onderwijzen?
Genereer een volledige missie met alles wat je nodig hebt
Genereer een missie