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.

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

Objetivos de Aprendizagem

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

Aprendizagem Baseada em Problemas

⏱ 45 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.

Preparação e detalhes

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

Sugestão de Facilitação: Durante 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.

Setup: Grupos organizados em mesas com acesso a materiais de investigação

Materials: Documento com o cenário do problema, Quadro KWL ou estrutura de inquiry, Biblioteca de recursos, Modelo para apresentação da solução

• Analisar
• Avaliar
• Criar
• Tomada de Decisão
• Autogestão
• Competências Relacionais

Aprendizagem Baseada em Problemas

⏱ 30 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.

Preparação e detalhes

Explique a diferença entre problemas de classificação e regressão.

Sugestão de Facilitação: Na 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.

Setup: Grupos organizados em mesas com acesso a materiais de investigação

Materials: Documento com o cenário do problema, Quadro KWL ou estrutura de inquiry, Biblioteca de recursos, Modelo para apresentação da solução

• Analisar
• Avaliar
• Criar
• Tomada de Decisão
• Autogestão
• Competências Relacionais

Aprendizagem Baseada em Problemas

⏱ 50 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.

Preparação e detalhes

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

Sugestão de Facilitação: Na 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.

Setup: Grupos organizados em mesas com acesso a materiais de investigação

Materials: Documento com o cenário do problema, Quadro KWL ou estrutura de inquiry, Biblioteca de recursos, Modelo para apresentação da solução

• Analisar
• Avaliar
• Criar
• Tomada de Decisão
• Autogestão
• Competências Relacionais

Aprendizagem Baseada em Problemas

⏱ 35 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.

Preparação e detalhes

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

Sugestão de Facilitação: Durante 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.

Setup: Grupos organizados em mesas com acesso a materiais de investigação

Materials: Documento com o cenário do problema, Quadro KWL ou estrutura de inquiry, Biblioteca de recursos, Modelo para apresentação da solução

• Analisar
• Avaliar
• Criar
• Tomada de Decisão
• Autogestão
• Competências Relacionais

Ensinar Este Tópico

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.

O Que Esperar

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

Erro comum

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

O que ensinar em alternativa

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.

Erro comum

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.

O que ensinar em alternativa

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.

Erro comum

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

O que ensinar em alternativa

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.

Ideias de Avaliação

Bilhete de Saída

Após a atividade Classificação Prática, distribua um pequeno cenário, como 'classificar o tipo de solo com base em características químicas', e peça aos alunos para escreverem se é um problema de classificação ou regressão e justificarem a resposta em uma frase.

Questão para Discussão

Durante a Comparação Whole Class, apresente um dataset fictício com dados sobre o consumo de eletricidade de casas e as suas características (área, número de moradores, isolamento). Pergunte: '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

Após a atividade Regressão em Pares, mostre aos alunos duas listas: uma com problemas como 'detetar fraude em transações' e 'prever o tempo de viagem', e outra com problemas como 'reconhecer objetos em imagens' e 'estimar o preço de um imóvel'. Peça-lhes para combinarem corretamente cada descrição com o tipo de problema.

Extensões e Apoio

• Desafie os alunos a criar o seu próprio dataset com variáveis fictícias e a formular um problema de regressão ou classificação para os colegas resolverem.
• Para alunos com dificuldades, forneça uma lista de variáveis já classificadas como discretas ou contínuas e peça-lhes para assinalarem a que tipo de problema pertencem.
• Peça aos alunos avançados que explorem a relação entre o número de features e a complexidade do modelo, testando diferentes combinações no dataset de preços de imóveis e discutindo os resultados em pares.

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.