Informática · 11.º Ano · Cibersegurança, Inteligência Artificial e Desenvolvimento de Projetos · 3o Periodo

Introdução a Machine Learning

Os alunos são introduzidos aos conceitos fundamentais de Machine Learning, tipos de aprendizagem (supervisionada, não supervisionada).

• Aprendizagens Essenciais
• DGE: Secundário - Inteligência Artificial
• DGE: Secundário - Ciência de Dados

Sobre este tópico

A introdução ao Machine Learning apresenta aos alunos os conceitos fundamentais desta área da Inteligência Artificial. Os alunos exploram como as máquinas identificam padrões em dados para realizar tarefas como distinguir imagens de gatos de cães ou sons de diferentes instrumentos. Distinguem a aprendizagem supervisionada, treinada com dados rotulados para prever categorias ou valores, de exemplos como classificação de spam em emails, da aprendizagem não supervisionada, que agrupa dados semelhantes sem rótulos prévios, como segmentar clientes por hábitos de compra.

No Currículo Nacional para o 11.º ano, este tema integra-se na unidade de Cibersegurança, Inteligência Artificial e Desenvolvimento de Projetos, alinhando-se com os standards da DGE em Inteligência Artificial e Ciência de Dados. Os alunos respondem a questões chave: como uma máquina diferencia imagens ou sons através de padrões extraídos de dados de treino, como diferenciar os tipos de aprendizagem com exemplos concretos, e analisar a importância dos dados de treino de qualidade para a precisão do modelo.

A aprendizagem ativa beneficia este tema porque torna conceitos abstractos acessíveis através de manipulação prática de dados. Atividades como rotular conjuntos simples ou simular clustering revelam o papel dos dados e dos algoritmos, promovendo pensamento computacional e ligação com aplicações reais na sociedade portuguesa.

Questões-Chave

1. Como é que uma máquina consegue distinguir entre diferentes tipos de imagens ou sons?
2. Diferencie aprendizagem supervisionada de não supervisionada com exemplos.
3. Analise a importância dos dados de treino na construção de um modelo de ML.

Objetivos de Aprendizagem

• Classificar exemplos de problemas de Machine Learning em categorias de aprendizagem supervisionada e não supervisionada.
• Explicar o papel dos dados de treino na validação e desempenho de um modelo de Machine Learning.
• Comparar as abordagens e objetivos da aprendizagem supervisionada e não supervisionada.
• Identificar os passos básicos envolvidos na construção de um modelo simples de Machine Learning.

Antes de Começar

Introdução à Programação e Algoritmos

Porquê: Os alunos precisam de uma compreensão básica de como os computadores seguem instruções e processam informação para entender a base do treino de modelos.

Noções Básicas de Estatística e Análise de Dados

Porquê: Conceitos como média, mediana e visualização de dados são fundamentais para compreender como os modelos de Machine Learning interpretam e utilizam os dados.

Vocabulário-Chave

Machine Learning	Um ramo da Inteligência Artificial que permite aos sistemas aprenderem e melhorarem a partir da experiência, sem serem explicitamente programados.
Aprendizagem Supervisionada	Um tipo de Machine Learning onde o modelo é treinado com um conjunto de dados rotulado, aprendendo a mapear entradas para saídas corretas.
Aprendizagem Não Supervisionada	Um tipo de Machine Learning onde o modelo é treinado com dados não rotulados, procurando padrões e estruturas ocultas nos dados.
Dados de Treino	O conjunto de dados utilizado para treinar um modelo de Machine Learning, permitindo que este aprenda padrões e faça previsões.
Modelo de ML	A representação matemática ou computacional que um algoritmo de Machine Learning constrói a partir dos dados de treino para realizar uma tarefa específica.

Atenção a estes erros comuns

Erro comum

As máquinas aprendem como humanos, compreendendo o conteúdo.

O que ensinar em alternativa

As máquinas detetam padrões estatísticos nos dados, sem compreensão semântica. Atividades de rotulagem manual mostram que erros humanos afetam modelos, ajudando alunos a verem o processo como matemática probabilística em vez de inteligência intuitiva.

Erro comum

Mais dados sempre melhoram o modelo.

O que ensinar em alternativa

Dados de qualidade e quantidade adequada são cruciais; excesso de ruído degrada. Experiências práticas com conjuntos ruidosos versus limpos revelam isso, fomentando discussões sobre curadoria de dados.

Erro comum

Aprendizagem não supervisionada não precisa de qualquer orientação.

O que ensinar em alternativa

Requer algoritmos para definir padrões, mas sem rótulos. Simulações de clustering sem supervisão mostram como resultados dependem de escolhas iniciais, promovendo reflexão ativa sobre design de modelos.

Ideias de aprendizagem ativa

Rotação de Estações: Tipos de Aprendizagem

Crie três estações: uma para supervisionada (rotular imagens de frutas), outra para não supervisionada (agrupar formas por semelhança sem rótulos) e uma para discutir dados de treino. Os grupos rotacionam a cada 10 minutos, registando diferenças observadas. Termine com partilha em plenário.

45 min·Pequenos grupos

Simulação em Pares: Dados de Treino

Forneça conjuntos de dados com e sem ruído. Em pares, os alunos treinam um classificador simples online (como Teachable Machine) com dados bons e maus, comparando resultados. Registem métricas de precisão e discutem impactos.

30 min·Pares

Projeto Coletivo: Classificador de Sons

Em turma, recolham sons do dia a dia (risos, carros). Dividam em grupos para rotular (supervisionada) ou agrupar (não supervisionada) usando ferramentas gratuitas. Apresentem modelos e analisem forças de cada abordagem.

50 min·Turma inteira

Individual: Análise de Exemplos

Cada aluno analisa um caso real (ex: recomendação Netflix supervisionada vs clustering de genes não supervisionada). Escrevem diferenças e importância dos dados, partilhando depois em discussão guiada.

20 min·Individual

Ligações ao Mundo Real

• Na área da saúde, algoritmos de Machine Learning são usados para analisar imagens médicas, como radiografias ou ressonâncias, ajudando a detetar anomalias ou a prever o risco de certas doenças, auxiliando diagnósticos em hospitais como o IPO.
• Empresas de comércio eletrónico em Portugal, como a Worten ou a Fnac, utilizam sistemas de recomendação baseados em Machine Learning para sugerir produtos aos clientes, analisando o histórico de compras e navegação para personalizar a experiência de compra.
• Serviços de segurança cibernética empregam modelos de Machine Learning para detetar padrões de tráfego de rede anómalo que possam indicar um ataque, protegendo infraestruturas críticas e dados sensíveis de empresas e instituições governamentais.

Ideias de Avaliação

Bilhete de Saída

Distribua a cada aluno um pequeno cartão. Peça para escreverem um exemplo de um problema que poderia ser resolvido com aprendizagem supervisionada e outro com aprendizagem não supervisionada. De seguida, devem explicar brevemente porquê escolheram essa categoria para cada exemplo.

Questão para Discussão

Coloque a seguinte questão no quadro: 'Imaginem que têm um grande conjunto de dados sobre o clima em Portugal. Que tipo de aprendizagem (supervisionada ou não supervisionada) utilizariam para prever a temperatura de amanhã e porquê?'. Dê 2 minutos para pensarem e depois abra a discussão.

Verificação Rápida

Apresente uma imagem de um conjunto de dados simples (ex: pontos numa grelha). Pergunte aos alunos: 'Se estes pontos fossem dados de treino, qual seria o objetivo principal de um algoritmo de aprendizagem não supervisionada com estes dados?'. Aguarde respostas verbais ou escritas rápidas.

Perguntas frequentes

Como diferenciar aprendizagem supervisionada de não supervisionada?

A supervisionada usa dados rotulados para treinar previsões, como identificar doenças em raios-X. A não supervisionada descobre padrões em dados não rotulados, como agrupar notícias por temas. Exemplos práticos ajudam alunos a verem aplicações: chatbots supervisionados versus análise de mercado não supervisionada, destacando o papel dos rótulos na precisão.

Qual a importância dos dados de treino em Machine Learning?

Dados de treino determinam a generalização do modelo; ruins levam a overfitting ou underfitting. Alunos analisam casos onde dados enviesados perpetuam desigualdades, como em recrutamento. Práticas de limpeza de dados ensinam ética e robustez, essenciais no currículo de IA.

Como uma máquina distingue imagens ou sons?

Extrai características (pixels, frequências) e aprende padrões via algoritmos. Em imagens, convoluções detetam bordas; em sons, espectrogramas identificam tons. Demonstrações com ferramentas visuais mostram o processo passo a passo, conectando a pensamento computacional.

Como a aprendizagem ativa ajuda na introdução ao Machine Learning?

Atividades hands-on, como rotular dados ou simular modelos em ferramentas acessíveis, tornam abstrato concreto. Alunos manipulam variáveis reais, vendo impactos imediatos na precisão, o que fomenta engagement e compreensão profunda. Discussões em grupo reforçam ligações com standards DGE, preparando para projetos avançados.