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

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.

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

Sobre este tópico

Os tipos de problemas em Machine Learning centram-se na distinção entre classificação, que prevê categorias discretas como identificar imagens de gatos ou cães, e regressão, que estima valores contínuos como prever temperaturas ou preços de imóveis. No 11.º ano, os alunos analisam exemplos práticos, como classificar emails como spam ou prever o consumo energético de uma casa com base em variáveis como área e localização. Esta compreensão inicial prepara-os para projectos mais complexos em IA.

Alinhado com o Currículo Nacional na unidade de Cibersegurança, Inteligência Artificial e Desenvolvimento de Projetos, este tema aborda standards DGE para Inteligência Artificial e Ciência de Dados. Os alunos reflectem sobre a qualidade dos dados no treino de modelos: dados limpos e representativos evitam enviesamentos e melhoram a precisão. Discutem questões chave, como diferenças entre classificação e regressão, e exemplos reais, fomentando pensamento crítico.

A aprendizagem activa beneficia este tópico porque os alunos manipulam datasets reais em ferramentas acessíveis, constroem modelos simples e testam previsões em grupo. Esta experimentação torna conceitos abstractos concretos, revela impactos de decisões e reforça competências colaborativas essenciais para o pensamento computacional avançado.

Questões-Chave

1. Qual é a importância da qualidade dos dados no treino de um modelo de IA?
2. Explique a diferença entre problemas de classificação e regressão.
3. Dê exemplos de problemas do mundo real que podem ser resolvidos com classificação e regressão.

Objetivos de Aprendizagem

• Classificar problemas de Machine Learning como sendo de classificação ou regressão, com base nas suas características.
• Comparar os resultados de modelos de classificação e regressão em cenários práticos.
• Explicar a influência da qualidade dos dados na precisão de modelos de classificação e regressão.
• Identificar exemplos concretos de aplicações de classificação e regressão em diferentes setores.

Antes de Começar

Introdução aos Conceitos de Dados e Variáveis

Porquê: Os alunos precisam de compreender o que são dados e como as variáveis representam características para poderem distinguir entre dados categóricos e numéricos, essenciais para classificação e regressão.

Noções Básicas de Algoritmos e Lógica de Programação

Porquê: Uma compreensão fundamental de como os algoritmos processam informação é necessária para apreciar como os modelos de Machine Learning aprendem a partir de dados.

Vocabulário-Chave

Classificação	Um tipo de problema de Machine Learning onde o objetivo é prever uma categoria discreta ou rótulo. Exemplos incluem identificar se um email é spam ou não spam, ou classificar uma imagem como contendo um gato ou um cão.
Regressão	Um tipo de problema de Machine Learning onde o objetivo é prever um valor numérico contínuo. Exemplos incluem prever o preço de uma casa, a temperatura de amanhã ou o consumo de combustível de um veículo.
Dados de Treino	O conjunto de dados utilizado para ensinar um modelo de Machine Learning a reconhecer padrões e fazer previsões. A qualidade e representatividade destes dados são cruciais para o desempenho do modelo.
Modelo de Machine Learning	Um sistema computacional que aprende a partir de dados para realizar uma tarefa específica, como fazer previsões ou tomar decisões, sem ser explicitamente programado para cada cenário.

Atenção a estes erros comuns

Erro comum

Classificação e regressão são intercambiáveis para qualquer problema.

O que ensinar em alternativa

Classificação prevê categorias discretas, enquanto regressão estima contínuos; trocar leva a erros graves. Actividades em grupos onde alunos testam ambos em mesmos dados revelam diferenças, promovendo debate e correcção coletiva de modelos errados.

Erro comum

A qualidade dos dados não afecta o tipo de problema.

O que ensinar em alternativa

Dados enviesados degradam qualquer modelo, independentemente de classificação ou regressão. Experiências hands-on com datasets sujos vs limpos mostram quedas na precisão, ajudando alunos a valorizarem pré-processamento através de observação directa.

Erro comum

Regressão só serve para números inteiros exatos.

O que ensinar em alternativa

Regressão prevê valores contínuos aproximados, como temperaturas. Em rotação de estações, alunos preveem e medem desvios reais, discutindo em pares como a incerteza é inerente e como validar modelos.

Ideias de aprendizagem ativa

Classificação Prática: Dataset Iris

Forneça o dataset Iris aos grupos. Peça que seleccionem features como comprimento de sépala e pétala, treinem um classificador simples em Python ou Orange, e avaliem a precisão. Discutam confusões entre espécies. Registem resultados numa tabela partilhada.

45 min·Pequenos grupos

Regressão em Pares: Previsão de Preços

Em pares, usem um dataset de casas com variáveis como quartos e área. Construam um modelo de regressão linear, façam previsões para novas casas e comparem com valores reais. Analisem o erro médio quadrático.

30 min·Pares

Comparação Whole Class: Classificação vs Regressão

Apresente dois problemas reais: classificar frutas por cor e prever altura por idade. A classe vota no tipo de problema, constrói modelos em ferramenta comum e debate resultados projectados.

50 min·Turma inteira

Qualidade de Dados Individual: Limpeza e Teste

Cada aluno recebe um dataset com ruído. Limpam dados outliers, treinam modelos de classificação e regressão antes/depois, e partilham métricas de melhoria num fórum de classe.

35 min·Individual

Ligações ao Mundo Real

• Na área da saúde, modelos de classificação são usados para diagnosticar doenças com base em sintomas e resultados de exames, auxiliando médicos na tomada de decisões clínicas. Por exemplo, um sistema pode classificar uma mamografia como benigna ou maligna.
• No setor financeiro, algoritmos de regressão são aplicados para prever o valor de ações ou o risco de crédito de um cliente, permitindo que bancos e investidores tomem decisões informadas sobre investimentos e empréstimos.
• Empresas de comércio eletrónico utilizam modelos de classificação para recomendar produtos aos utilizadores com base no seu histórico de navegação e compras, aumentando a probabilidade de venda. Paralelamente, usam regressão para prever a procura futura de produtos.

Ideias de Avaliação

Bilhete de Saída

Distribua a cada aluno um pequeno cenário (ex: 'prever a nota de um aluno numa disciplina' ou 'identificar se uma fotografia contém um carro'). Peça-lhes para escreverem se o problema é de classificação ou regressão e justificar a sua escolha em uma frase.

Questão para Discussão

Apresente um dataset fictício com dados sobre o consumo de eletricidade de casas e as suas características (área, número de moradores, isolamento). Pergunte aos alunos: 'Que tipo de problema de Machine Learning poderíamos resolver com estes dados? Que variáveis seriam importantes para a qualidade do treino do modelo e porquê?'

Verificação Rápida

Mostre aos alunos duas listas de exemplos: uma com problemas de classificação (ex: detetar fraude em transações, reconhecer objetos em imagens) e outra com problemas de regressão (ex: prever o tempo de viagem, estimar o preço de um imóvel). Peça-lhes para combinarem corretamente cada descrição com o tipo de problema.

Perguntas frequentes

Qual a diferença entre problemas de classificação e regressão em Machine Learning?

Classificação atribui categorias discretas, como diagnosticar doenças a partir de sintomas (sim/não). Regressão prevê valores contínuos, como estimar vendas futuras por tendências. Exemplos reais incluem classificar spam em emails ou prever temperaturas. Escolher o tipo correcto depende da natureza da saída desejada, afectando o algoritmo e avaliação.

Como a qualidade dos dados influencia o treino de modelos de IA?

Dados de qualidade alta, sem missing values ou outliers, permitem modelos precisos e imparciais. Dados enviesados propagam erros, como discriminação em classificadores. Alunos devem limpar e validar datasets antes do treino, usando métricas como accuracy para regressão e classificação, garantindo robustez em aplicações reais.

Como usar aprendizagem activa para ensinar tipos de problemas em Machine Learning?

Implemente actividades hands-on como manipular datasets Iris para classificação ou prever preços para regressão em ferramentas como Orange. Grupos constroem, testam e comparam modelos, discutindo falhas. Esta abordagem torna abstracto concreto, fomenta colaboração e revela impacto de dados, alinhando com pensamento computacional do 11.º ano.

Dê exemplos reais de classificação e regressão no dia a dia?

Classificação: apps de fotos identificam objectos; regressão: GPS prevê tempo de chegada. Em saúde, classificação detecta cancro em imagens; regressão estima progressão da doença. Estes exemplos mostram como ML resolve problemas práticos, incentivando alunos a proporem aplicações locais como prever tráfego em Lisboa.