Ideeën voor actief leren
Algoritmes en Machine Learning vormen de kern van moderne kunstmatige intelligentie. Leerlingen maken kennis met het concept van een algoritme als een stappenplan en verdiepen zich in hoe systemen kunnen leren van data zonder expliciet geprogrammeerd te zijn. Ze onderzoeken eenvoudige neurale netwerken en het verschil tussen supervised learning (leren met gelabelde data) en unsupervised learning (patronen zoeken in onbekende data).
Activiteit 01
Leerlingen gebruiken hun webcam om een model te trainen dat het verschil herkent tussen verschillende handgebaren of objecten en testen de betrouwbaarheid.
Hoe leert een neuraal netwerk patronen herkennen?
Activiteit 02
Leerlingen moeten fysiek een set gewichten sorteren volgens verschillende algoritmes (bijv. bubble sort) en de efficiëntie (aantal stappen) vergelijken.
Wat is het verschil tussen supervised en unsupervised learning?
Activiteit 03
Leerlingen bespreken waarom het soms moeilijk is om te begrijpen waarom een neuraal netwerk tot een bepaalde beslissing is gekomen en wat de risico's daarvan zijn.
Hoe train je een AI om autonoom te navigeren?
Enkele opmerkingen over deze eenheid onderwijzen
Pas op voor deze misvattingen
AI begrijpt de wereld op dezelfde manier als mensen.
AI herkent alleen statistische patronen in data en heeft geen echt begrip of bewustzijn. Door AI te laten falen met 'out-of-distribution' data, zien leerlingen de beperkingen van patroonherkenning.
Een algoritme is altijd objectief en neutraal.
Algoritmes nemen de vooroordelen (bias) over van de data waarop ze getraind zijn. Actieve analyse van bevooroordeelde datasets helpt leerlingen dit kritische inzicht te ontwikkelen.
Methodes gebruikt in dit overzicht