Informática · 11.º Ano

Ideias de aprendizagem ativa

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.

Aprendizagens EssenciaisDGE: Secundário - Inteligência ArtificialDGE: Secundário - Ciência de Dados

20–50 minPares → Turma inteira4 atividades

Atividade 01

Círculo de Investigação45 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.

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

Sugestão de FacilitaçãoNa 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.

O que observarDistribua 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.

AnalisarAvaliarCriarAutogestãoAutoconsciência

Gerar Aula Completa

Atividade 02

Círculo de Investigação30 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.

Diferencie aprendizagem supervisionada de não supervisionada com exemplos.

Sugestão de FacilitaçãoDurante 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.

O que observarColoque 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.

AnalisarAvaliarCriarAutogestãoAutoconsciência

Gerar Aula Completa

Atividade 03

Círculo de Investigação50 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.

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

Sugestão de FacilitaçãoNo 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.

O que observarApresente 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.

AnalisarAvaliarCriarAutogestãoAutoconsciência

Gerar Aula Completa

Atividade 04

Círculo de Investigação20 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.

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

Sugestão de FacilitaçãoNa 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.

AnalisarAvaliarCriarAutogestãoAutoconsciência

Gerar Aula Completa

Algumas notas sobre lecionar esta unidade

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.

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

Durante a Rotação de Estações, os alunos podem pensar, 'As máquinas aprendem como humanos, compreendendo o conteúdo'.
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.
Durante a Simulação em Pares, alguns alunos podem acreditar que 'Mais dados sempre melhoram o modelo'.
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.
Durante o Projeto Coletivo de Classificação de Sons, alguns alunos podem supor que 'Aprendizagem não supervisionada não precisa de qualquer orientação'.
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.

Metodologias usadas neste resumo

Círculo de Investigação

Mais em Cibersegurança, Inteligência Artificial e Desenvolvimento de Projetos

Ameaças Cibernéticas Comuns

Os alunos identificam e classificam diferentes tipos de malware (vírus, ransomware, spyware) e ataques cibernéticos.

2 methodologies

Engenharia Social e Phishing

Os alunos exploram técnicas de engenharia social e phishing, aprendendo a identificar e proteger-se contra estas ameaças.

2 methodologies

Defesas Cibernéticas e Boas Práticas

Os alunos aprendem sobre firewalls, antivírus, backups e outras medidas defensivas para proteger sistemas e dados.

2 methodologies

Impacto do Cibercrime

Os alunos analisam o impacto económico, social e político do cibercrime a nível global, incluindo casos de estudo.

2 methodologies

Tipos de Problemas em Machine Learning

Os alunos exploram os tipos de problemas que o Machine Learning pode resolver, focando-se na distinção entre classificação (prever categorias) e regressão (prever valores contínuos) com exemplos práticos.

2 methodologies