Aplicações Informáticas B · 12.º Ano

Ideias de aprendizagem ativa

Machine Learning: Aprendizagem Supervisionada

A aprendizagem supervisionada exige que os alunos compreendam a relação entre dados, algoritmos e resultados práticos. Atividades práticas em estações ou simulações permitem-lhes manipular variáveis reais e observar diretamente como escolhas no pré-processamento ou na seleção de algoritmos afetam o desempenho do modelo.

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

• 25–45 min
• Pares → Turma inteira
• 4 atividades

Atividade 01

• Flipped Classroom
• 45 min · Pequenos grupos

Estações de Rotação: Classificação vs Regressão

Crie quatro estações com conjuntos de dados simples: uma para classificação de flores Iris, outra para regressão de preços de casas, uma terceira para treino com dados enviesados e a última para validação cruzada. Os grupos rotacionam a cada 10 minutos, registando previsões e métricas de precisão em fichas partilhadas.

Como os dados de treino influenciam a precisão de um modelo de machine learning?

Sugestão de Facilitação

Durante a Estações de Rotação: Classificação vs Regressão, circule pela sala e peça a cada grupo que explique à turma como categorizaram o problema apresentado antes de mudarem de estação.

O que observar

Entregue aos alunos um pequeno conjunto de dados fictício com descrições de casas (área, número de quartos) e os seus preços. Peça-lhes para: 1. Identificar se este é um problema de classificação ou regressão e justificar. 2. Sugerir duas métricas que poderiam ser usadas para avaliar um modelo treinado com estes dados.

• Compreender
• Aplicar
• Analisar
• Autogestão
• Autoconsciência

Atividade 02

• Flipped Classroom
• 30 min · Pares

Parcerias: Treino de Modelo Simples

Em pares, os alunos selecionam um dataset do UCI Repository, preparam os dados de treino e testam um algoritmo de classificação com scikit-learn. Discutem ajustes para melhorar a precisão e comparam resultados com o parceiro.

Analise a diferença entre problemas de classificação e regressão e os seus algoritmos.

Sugestão de Facilitação

Na atividade Parcerias: Treino de Modelo Simples, forneça datasets com ruído controlado para que os alunos testem diferentes estratégias de limpeza e observem o impacto no modelo.

O que observar

Durante a explicação da validação cruzada, apresente um cenário: 'Um modelo de previsão de desemprego tem uma precisão de 99% nos dados de treino, mas apenas 60% nos dados de teste.' Pergunte aos alunos: 'Qual é o problema mais provável aqui e como a validação cruzada poderia ter ajudado a detetá-lo mais cedo?'

• Compreender
• Aplicar
• Analisar
• Autogestão
• Autoconsciência

Atividade 03

• Flipped Classroom
• 35 min · Turma inteira

Classe Inteira: Simulação de Validação Cruzada

Apresente um dataset comum à turma. Divida em subgrupos para rodadas de treino e teste alternados, calculando médias de precisão no quadro. A classe debate colectivamente os resultados e a importância da validação.

Explique a importância da validação cruzada na avaliação de modelos de aprendizagem supervisionada.

Sugestão de Facilitação

Na Classe Inteira: Simulação de Validação Cruzada, projete os resultados em tempo real para que a turma discuta a variabilidade entre folds e como isso influencia a decisão final.

O que observar

Coloque a seguinte questão para discussão em pequenos grupos: 'Imaginem que estão a construir um modelo para prever a probabilidade de um aluno ter sucesso numa disciplina. Que tipo de dados de treino seriam essenciais? Que problemas poderiam surgir com dados de treino incompletos ou enviesados e como poderiam mitigar esses riscos?'

• Compreender
• Aplicar
• Analisar
• Autogestão
• Autoconsciência

Atividade 04

• Flipped Classroom
• 25 min · Individual

Individual: Análise de Dados de Treino

Cada aluno recebe um dataset com ruído intencional, treina um modelo e avalia a precisão antes e após limpeza. Regista observações num relatório individual para partilha posterior.

Como os dados de treino influenciam a precisão de um modelo de machine learning?

Sugestão de Facilitação

Na atividade Individual: Análise de Dados de Treino, forneça dois datasets com características distintas e peça aos alunos que prevejam qual deles levará a um modelo mais robusto.

O que observar

Entregue aos alunos um pequeno conjunto de dados fictício com descrições de casas (área, número de quartos) e os seus preços. Peça-lhes para: 1. Identificar se este é um problema de classificação ou regressão e justificar. 2. Sugerir duas métricas que poderiam ser usadas para avaliar um modelo treinado com estes dados.

• Compreender
• Aplicar
• Analisar
• Autogestão
• Autoconsciência

Algumas notas sobre lecionar esta unidade

Comece com exemplos tangíveis e visuais, como imagens de animais ou gráficos de preços imobiliários, para ancorar conceitos abstratos. Evite fórmulas matemáticas complexas no início; use analogias como 'o modelo é um aluno que estuda com anotações boas ou más' para explicar overfitting. Pesquisas mostram que a aprendizagem ativa com feedback imediato melhora significativamente a retenção nestes tópicos.

Os alunos devem ser capazes de distinguir claramente entre classificação e regressão, justificar a escolha de métricas de avaliação adequadas e explicar por que a qualidade dos dados de treino é crítica. Espera-se que articulem a importância da validação cruzada e identifiquem riscos como overfitting em cenários concretos.

---

Atenção a estes erros comuns

• Durante a atividade Individual: Análise de Dados de Treino, alguns alunos podem assumir que 'mais dados sempre é melhor'.

  Aprofunde a discussão com o dataset fornecido: peça-lhes que calculem a precisão do modelo com subconjuntos de dados de diferentes tamanhos e observem quando a adição de mais dados não melhora, ou piora, o desempenho.

• Durante as Estações de Rotação: Classificação vs Regressão, os alunos podem confundir os algoritmos usados.

  Peça a cada grupo que apresente as saídas visuais dos seus modelos (por exemplo, gráficos de fronteira de decisão ou linhas de regressão) e relacione-as diretamente com o tipo de problema resolvido.

• Durante a Classe Inteira: Simulação de Validação Cruzada, os alunos podem ver a validação cruzada como um mero passo final.

  Use a projeção em tempo real para mostrar como a métrica média muda com cada fold e peça-lhes que discutam porque a variabilidade entre folds é uma informação valiosa para a robustez do modelo.

---

Metodologias usadas neste resumo

• Flipped Classroom