Introdução a Machine Learning

Os alunos aprendem melhor quando vivenciam os conceitos de Machine Learning de forma prática e tangível. Ao manipularem dados concretos e observarem como os algoritmos funcionam, transformam ideias abstratas em compreensão clara. A aprendizagem ativa nesta área reforça a ligação entre teoria e aplicação imediata.

• 11° Ano
• Inovação Digital e Pensamento Computacional Avançado
• 4 atividades
• 20 min–50 min

Objetivos de Aprendizagem

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

Círculo de Investigação

⏱ 45 min·Pequenos grupos

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.

Preparação e detalhes

Como é que uma máquina consegue distinguir entre diferentes tipos de imagens ou sons?

Sugestão de Facilitação: Na Rotação de Estações, prepare estações com exemplos visuais claros (ex: imagens de gatos e cães para supervisionada, nuvem de palavras para não supervisionada) para que os alunos associem cada tipo a uma representação concreta.

Setup: Grupos em mesas com acesso a materiais de consulta

Materials: Coleção de fontes documentais, Ficha de trabalho do ciclo de investigação, Protocolo de formulação de perguntas, Modelo de apresentação de resultados

• Analisar
• Avaliar
• Criar
• Autogestão
• Autoconsciência

Círculo de Investigação

⏱ 30 min·Pares

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.

Preparação e detalhes

Diferencie aprendizagem supervisionada de não supervisionada com exemplos.

Sugestão de Facilitação: Durante a Simulação em Pares, forneça conjuntos de dados pequenos e rotulados com erros propositais para que os alunos testem a robustez dos modelos e discutam a importância da qualidade dos dados.

Setup: Grupos em mesas com acesso a materiais de consulta

Materials: Coleção de fontes documentais, Ficha de trabalho do ciclo de investigação, Protocolo de formulação de perguntas, Modelo de apresentação de resultados

• Analisar
• Avaliar
• Criar
• Autogestão
• Autoconsciência

Círculo de Investigação

⏱ 50 min·Turma inteira

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.

Preparação e detalhes

Analise a importância dos dados de treino na construção de um modelo de ML.

Sugestão de Facilitação: No Projeto Coletivo de Classificação de Sons, limite o número de categorias (ex: 3 instrumentos) para que os alunos consigam avaliar a performance do modelo de forma prática e mensurável.

Setup: Grupos em mesas com acesso a materiais de consulta

Materials: Coleção de fontes documentais, Ficha de trabalho do ciclo de investigação, Protocolo de formulação de perguntas, Modelo de apresentação de resultados

• Analisar
• Avaliar
• Criar
• Autogestão
• Autoconsciência

Círculo de Investigação

⏱ 20 min·Individual

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.

Preparação e detalhes

Como é que uma máquina consegue distinguir entre diferentes tipos de imagens ou sons?

Sugestão de Facilitação: Na atividade Individual de Análise de Exemplos, peça aos alunos que anotem as suas dúvidas durante a tarefa para discutirem em grupo, transformando erros em oportunidades de aprendizagem colaborativa.

Setup: Grupos em mesas com acesso a materiais de consulta

Materials: Coleção de fontes documentais, Ficha de trabalho do ciclo de investigação, Protocolo de formulação de perguntas, Modelo de apresentação de resultados

• Analisar
• Avaliar
• Criar
• Autogestão
• Autoconsciência

Ensinar Este Tópico

Ensine Machine Learning com foco na experimentação iterativa, não em definições teóricas longas. Use analogias simples (ex: 'o algoritmo é como um aluno que adivinha respostas') mas sempre com base em dados reais. Evite jargão excessivo e priorize a interpretação de resultados visuais, como gráficos ou clusters. Pesquisas mostram que alunos retêm melhor quando manipulam dados e observam o processo em tempo real, reduzindo a dependência de explicações verbais extensas.

O Que Esperar

No final das atividades, os alunos devem distinguir com confiança aprendizagem supervisionada de não supervisionada, justificar escolhas de algoritmos com exemplos práticos e identificar padrões nos dados sem recorrer a explicações antropomórficas. O sucesso mede-se pela capacidade de aplicar conceitos a novos casos.

Atenção a estes erros comuns

Erro comum

Durante a Rotação de Estações, os alunos podem pensar, 'As máquinas aprendem como humanos, compreendendo o conteúdo'.

O que ensinar em alternativa

Peça aos alunos que rotulem manualmente um pequeno conjunto de dados (ex: 10 imagens de gatos e cães) e observem como os erros humanos afetam a precisão do modelo. Use esta atividade para destacar que o Machine Learning deteta padrões estatísticos, não 'entende' como um humano.

Erro comum

Durante a Simulação em Pares, alguns alunos podem acreditar que 'Mais dados sempre melhoram o modelo'.

O que ensinar em alternativa

Dê aos pares dois conjuntos de dados com a mesma quantidade de exemplos, mas um com ruído (ex: imagens distorcidas) e outro limpo. Peça-lhes que treinem um modelo simples em cada um e comparem os resultados, destacando que a qualidade dos dados é mais importante do que a quantidade.

Erro comum

Durante o Projeto Coletivo de Classificação de Sons, alguns alunos podem supor que 'Aprendizagem não supervisionada não precisa de qualquer orientação'.

O que ensinar em alternativa

Peça aos alunos que experimentem diferentes números de clusters (ex: 2, 3 ou 4 grupos) no seu dataset de sons e observem como a escolha afeta os resultados. Use esta atividade para mostrar que, embora não haja rótulos, a definição inicial de padrões (ex: número de clusters) guia todo o processo.

Ideias de Avaliação

Bilhete de Saída

Após a Rotação de Estações, distribua um pequeno cartão a cada aluno. Peça-lhes que escrevam 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, usando os materiais das estações como referência.

Questão para Discussão

Durante a Simulação em Pares, coloque a seguinte questão no quadro: 'Se tivessem um grande conjunto de dados sobre os hábitos de estudo dos alunos da vossa escola, que tipo de aprendizagem utilizariam para prever quem precisaria de apoio extra e porquê?'. Dê 2 minutos para pensarem em pares e depois abra a discussão, pedindo exemplos concretos baseados nos dados que manipularam.

Verificação Rápida

Durante o Projeto Coletivo de Classificação de Sons, após os alunos terem treinado um modelo básico, mostre uma nova amostra de som e pergunte: 'Se este fosse um novo som para classificar, qual seria o objetivo principal do algoritmo de aprendizagem supervisionada neste contexto?'. Aguarde respostas verbais e peça aos alunos que justifiquem com base nos dados que utilizaram.

Extensões e Apoio

• Desafie os alunos a projetar um modelo supervisionado para classificar emoções em frases curtas, usando um dataset público como o de avaliação de sentimentos em português.
• Para alunos com dificuldades, forneça um conjunto de dados pré-processado com apenas 2 características visíveis (ex: altura e peso) para facilitar a identificação de padrões.
• Proponha uma pesquisa sobre aplicações reais de Machine Learning em Portugal (ex: previsão de trânsito, recomendação de música) e peça aos alunos que apresentem um caso de estudo com análise crítica dos dados utilizados.

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.