Informática · 11.º Ano

Ideias de aprendizagem ativa

Tipos de Problemas em Machine Learning

Os alunos aprendem melhor quando praticam com dados reais e discutem os resultados em grupo. Neste tópico, a manipulação de datasets como o Iris ou de preços de imóveis torna abstrato em concreto, permitindo que testem hipóteses e corrijam erros em tempo real. A colaboração durante as atividades reforça a distinção entre classificação e regressão de forma tangível e memorável.

Aprendizagens EssenciaisDGE: Secundário - Inteligência ArtificialDGE: Secundário - Ciência de Dados
30–50 minPares → Turma inteira4 atividades

Atividade 01

Aprendizagem Baseada em Problemas45 min · Pequenos grupos

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.

Qual é a importância da qualidade dos dados no treino de um modelo de IA?

Sugestão de FacilitaçãoDurante a Classificação Prática com o dataset Iris, peça aos alunos para registarem as métricas de precisão do modelo antes e depois de ajustarem os parâmetros, como o número de vizinhos mais próximos no algoritmo KNN.

O que observarDistribua 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.

AnalisarAvaliarCriarTomada de DecisãoAutogestãoCompetências Relacionais
Gerar Aula Completa

Atividade 02

Aprendizagem Baseada em Problemas30 min · Pares

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.

Explique a diferença entre problemas de classificação e regressão.

Sugestão de FacilitaçãoNa atividade de Regressão em Pares, forneça aos alunos uma tabela com valores de preços de imóveis e variáveis como área e localização, pedindo-lhes para calcularem manualmente uma linha de tendência simples antes de usarem uma ferramenta digital.

O que observarApresente 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?'

AnalisarAvaliarCriarTomada de DecisãoAutogestãoCompetências Relacionais
Gerar Aula Completa

Atividade 03

Aprendizagem Baseada em Problemas50 min · Turma inteira

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.

Dê exemplos de problemas do mundo real que podem ser resolvidos com classificação e regressão.

Sugestão de FacilitaçãoNa Comparação Whole Class, distribua cartões coloridos com exemplos de problemas e peça aos alunos para os colocarem num quadro dividido em duas colunas: Classificação e Regressão, justificando as suas escolhas em voz alta.

O que observarMostre 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.

AnalisarAvaliarCriarTomada de DecisãoAutogestãoCompetências Relacionais
Gerar Aula Completa

Atividade 04

Aprendizagem Baseada em Problemas35 min · Individual

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.

Qual é a importância da qualidade dos dados no treino de um modelo de IA?

Sugestão de FacilitaçãoDurante a Qualidade de Dados Individual, forneça um dataset com valores em falta e outliers, e peça aos alunos para apresentarem as suas estratégias de limpeza e os seus impactos na precisão do modelo.

O que observarDistribua 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.

AnalisarAvaliarCriarTomada de DecisãoAutogestãoCompetências Relacionais
Gerar Aula Completa

Algumas notas sobre lecionar esta unidade

Comece por exemplos do quotidiano dos alunos, como classificar mensagens como spam ou prever a nota de um teste com base em horas de estudo. Evite jargão inicial e use analogias simples, como 'classificar é como escolher uma categoria de fruta' e 'regressão é como estimar o peso de uma melancia pela altura'. Pesquisas mostram que a aprendizagem ativa com feedback imediato melhora a retenção, por isso privilegie atividades práticas sobre exposição teórica. Antecipe resistência à limpeza de dados, pois os alunos tendem a subestimar a sua importância; use datasets com erros óbvios para demonstrar o seu impacto.

Os alunos distinguem com segurança problemas de classificação e regressão em contextos reais, justificando as suas escolhas com base em variáveis discretas ou contínuas. Demonstram ainda a importância da qualidade dos dados ao comparar modelos treinados com conjuntos sujos e limpos, identificando melhorias na precisão. A discussão coletiva após cada atividade valida a compreensão e esclarece dúvidas persistentes.

Atenção a estes erros comuns

  • Durante a atividade Classificação Prática com o dataset Iris, os alunos podem pensar que classificação e regressão são intercambiáveis.

    Peça aos alunos para treinarem um modelo de classificação com o Iris e, em seguida, tentarem usar um modelo de regressão para prever a espécie com base nas mesmas variáveis. Ao compararem os resultados, os alunos verão que a regressão não produz categorias e discutirão porquê.

  • Durante a atividade Regressão em Pares com preços de imóveis, os alunos podem acreditar que a qualidade dos dados não influencia o tipo de problema.

    Forneça dois conjuntos de dados semelhantes: um limpo e outro com valores em falta e outliers. Peça aos alunos para treinarem modelos de regressão em ambos e compararem a precisão, destacando como a limpeza afeta diretamente o desempenho do modelo.

  • Durante a atividade Qualidade de Dados Individual, os alunos podem pensar que regressão só prevê valores inteiros exatos.

    Peça aos alunos para preverem a temperatura média diária em graus Celsius usando uma regressão linear. Depois, peça-lhes para compararem as previsões com valores reais e discutirem a incerteza inerente a qualquer modelo de regressão.

Metodologias usadas neste resumo

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

Introdução a Machine Learning

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

2 methodologies