Aplicações Informáticas B · 12.º Ano

Ideias de aprendizagem ativa

Machine Learning: Aprendizagem Não Supervisionada

A aprendizagem não supervisionada é abstrata e complexa para alunos do 12.º ano, logo a abordagem ativa é essencial para que visualizem conceitos como clustering e PCA em ação. Trabalhar com datasets reais, como o Iris ou dados IoT, torna a teoria tangível e revela a relevância destas técnicas em cenários concretos, como segmentação de clientes ou monitorização de sensores.

• Aprendizagens Essenciais
• DGE: Secundário - Pensamento Computacional
• DGE: Secundário - Dados e Análise

• 30–50 min
• Pares → Turma inteira
• 4 atividades

Atividade 01

• Ensino pelos Pares
• 35 min · Pares

Ensino pelos Pares: Clustering K-means no Dataset Iris

Forneça o dataset Iris aos pares. Peça-lhes para implementar K-means com k=2,3,4 em Python ou Google Colab e plotar os clusters. Discutam o método do cotovelo para escolher k ótimo, comparando resultados.

Como os algoritmos de clustering podem descobrir padrões ocultos em dados não rotulados?

Sugestão de Facilitação

Durante a atividade em pares com o K-means, peça aos alunos para documentarem cada passo do algoritmo num caderno, incluindo cálculos de distância e atualizações de centroides para reforçar a compreensão do processo.

O que observar

Entregue aos alunos um pequeno conjunto de dados (ex: características de flores de Iris). Peça-lhes para aplicarem o K-means (com k=3) e descreverem em 2-3 frases as características que definem cada cluster resultante, comparando-as com os rótulos conhecidos (se aplicável).

• Compreender
• Aplicar
• Analisar
• Criar
• Autogestão
• Competências Relacionais

Atividade 02

• Círculo de Investigação
• 45 min · Pequenos grupos

Pequenos Grupos: Redução com PCA Visual

Divida a turma em pequenos grupos e dê um dataset de alta dimensão, como vinhos. Apliquem PCA, plotem os dois primeiros componentes e interpretem a variância explicada. Grupos apresentam loadings dos componentes.

Analise a aplicação da redução de dimensionalidade para simplificar conjuntos de dados complexos.

Sugestão de Facilitação

Na atividade de PCA visual, forneça aos grupos datasets com mais de 3 dimensões e peça-lhes para identificarem padrões nos gráficos 2D, discutindo que informação foi perdida e porquê.

O que observar

Apresente um gráfico de PCA com 2 componentes principais para um conjunto de dados complexo. Pergunte aos alunos: 'Quais são as limitações de representar dados de 10 dimensões em apenas 2? Como poderíamos avaliar se a variância retida pelos componentes principais é suficiente para a nossa análise?'

• Analisar
• Avaliar
• Criar
• Autogestão
• Autoconsciência

Atividade 03

• Círculo de Investigação
• 30 min · Turma inteira

Turma Inteira: Debate de Desafios Não Supervisionados

Apresente casos reais com ambiguidades em clustering. A turma vota em interpretações, depois executa algoritmos para validar. Registe insights no quadro coletivo.

Avalie os desafios de interpretar os resultados de modelos de aprendizagem não supervisionada.

Sugestão de Facilitação

No debate em turma, atribua papéis específicos (ex: defensor do clustering, crítico da PCA) para garantir que todos participam e que as discussões são focadas em argumentos técnicos.

O que observar

Durante a demonstração de um algoritmo de clustering, pause e pergunte: 'Qual é a principal suposição que o algoritmo K-means faz sobre a forma dos clusters? Como é que a escolha inicial dos centroides pode afetar o resultado final?'

• Analisar
• Avaliar
• Criar
• Autogestão
• Autoconsciência

Atividade 04

• Círculo de Investigação
• 50 min · Individual

Individual: Mini-Projeto Dados Locais

Cada aluno seleciona dados abertos portugueses, como turismo. Aplica clustering ou PCA e escreve um relatório curto sobre padrões encontrados e limitações.

Como os algoritmos de clustering podem descobrir padrões ocultos em dados não rotulados?

Sugestão de Facilitação

Para o mini-projeto, encoraje os alunos a escolherem datasets locais simples, como dados meteorológicos ou de trânsito, para que possam aplicar os conceitos a problemas do seu quotidiano.

O que observar

Entregue aos alunos um pequeno conjunto de dados (ex: características de flores de Iris). Peça-lhes para aplicarem o K-means (com k=3) e descreverem em 2-3 frases as características que definem cada cluster resultante, comparando-as com os rótulos conhecidos (se aplicável).

• Analisar
• Avaliar
• Criar
• Autogestão
• Autoconsciência

Algumas notas sobre lecionar esta unidade

Comece com uma demonstração prática de clustering num dataset pequeno, como o Iris, para que os alunos percebam como padrões ocultos são revelados. Evite começar com teoria abstrata: use analogias visuais, como agrupar frutas por cor e tamanho, antes de introduzir algoritmos formais. Pesquisas mostram que alunos de 12.º ano aprendem melhor quando aplicam conceitos a problemas reais, por isso priorize atividades hands-on e discussões guiadas sobre limitações dos métodos.

No final destas atividades, espera-se que os alunos consigam explicar como o K-means agrupa dados com base em distâncias e como a PCA reduz dimensões preservando variância. Devem também ser capazes de identificar limitações dos métodos e justificar escolhas em contextos práticos, demonstrando pensamento crítico sobre padrões ocultos.

---

Atenção a estes erros comuns

• Durante a atividade em pares com o K-means no dataset Iris, watch for students who assume clusters correspondem diretamente às espécies conhecidas de íris.

  Peça aos alunos para compararem os clusters resultantes com os rótulos reais e discutirem por que razão o algoritmo pode não recuperar perfeitamente as classes biológicas, incentivando-os a refletirem sobre a diferença entre agrupamento por semelhança e classificação supervisionada.

• Durante a atividade de PCA visual em pequenos grupos, watch for students who believe que a redução de dimensões remove apenas dados redundantes.

  Use o gráfico de variância explicada para mostrar como componentes principais capturam diferentes quantidades de informação e peça aos alunos para identificarem que padrões visíveis são perdidos após a projeção, relacionando com a preservação de variância.

• Durante o debate de desafios não supervisionados em turma, watch for students who defendem que modelos não supervisionados são sempre menos úteis que supervisionados.

  Apresente exemplos de casos onde o clustering revelou padrões desconhecidos, como deteção de fraudes ou segmentação de clientes, e peça aos alunos para apresentarem argumentos baseados em dados reais, contrastando com cenários onde a supervisão é necessária.

---

Metodologias usadas neste resumo

• Ensino pelos Pares
• Círculo de Investigação