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.

• 12° Ano
• Inovação Digital e Pensamento Computacional Avançado
• 4 atividades
• 25 min–45 min

Objetivos de Aprendizagem

1. Classificar problemas de machine learning como problemas de classificação ou regressão, justificando a escolha com base nas características dos dados e do resultado esperado.
2. Avaliar a influência da qualidade e quantidade dos dados de treino na performance de um modelo de aprendizagem supervisionada, utilizando métricas apropriadas.
3. Comparar e contrastar os princípios de funcionamento de pelo menos dois algoritmos de classificação (ex: Árvores de Decisão, Regressão Logística) e dois algoritmos de regressão (ex: Regressão Linear, Árvores de Decisão para Regressão).
4. Explicar o conceito de validação cruzada e demonstrar a sua importância na prevenção do overfitting e na avaliação robusta de modelos.
5. Desenvolver um modelo simples de aprendizagem supervisionada utilizando um conjunto de dados rotulado e ferramentas de programação ou plataformas visuais.

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.

Preparação e detalhes

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.

Setup: Sala de aula comum, flexível para atividades de grupo durante a aula

Materials: Conteúdos pré-aula (vídeo/leitura com questões orientadoras), Verificação de preparação ou bilhete de entrada, Atividade de aplicação em sala de aula, Diário de reflexão

• Compreender
• Aplicar
• Analisar
• Autogestão
• Autoconsciência

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.

Preparação e detalhes

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.

Setup: Sala de aula comum, flexível para atividades de grupo durante a aula

Materials: Conteúdos pré-aula (vídeo/leitura com questões orientadoras), Verificação de preparação ou bilhete de entrada, Atividade de aplicação em sala de aula, Diário de reflexão

• Compreender
• Aplicar
• Analisar
• Autogestão
• Autoconsciência

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.

Preparação e detalhes

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.

Setup: Sala de aula comum, flexível para atividades de grupo durante a aula

Materials: Conteúdos pré-aula (vídeo/leitura com questões orientadoras), Verificação de preparação ou bilhete de entrada, Atividade de aplicação em sala de aula, Diário de reflexão

• Compreender
• Aplicar
• Analisar
• Autogestão
• Autoconsciência

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.

Preparação e detalhes

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.

Setup: Sala de aula comum, flexível para atividades de grupo durante a aula

Materials: Conteúdos pré-aula (vídeo/leitura com questões orientadoras), Verificação de preparação ou bilhete de entrada, Atividade de aplicação em sala de aula, Diário de reflexão

• Compreender
• Aplicar
• Analisar
• Autogestão
• Autoconsciência

Ensinar Este Tópico

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.

O Que Esperar

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

Erro comum

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

O que ensinar em alternativa

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.

Erro comum

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

O que ensinar em alternativa

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.

Erro comum

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

O que ensinar em alternativa

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.

Ideias de Avaliação

Bilhete de Saída

Após a atividade Individual: Análise de Dados de Treino, entregue aos alunos um pequeno dataset com características de alunos (notas, faltas) e peça-lhes para: 1. Identificar se é um problema de classificação ou regressão e justificar. 2. Sugerir uma métrica adequada para avaliar um modelo treinado com estes dados.

Verificação Rápida

Durante a Classe Inteira: Simulação de Validação Cruzada, apresente o cenário: 'Um modelo de previsão de temperaturas tem um erro médio de 2°C nos dados de treino, mas 8°C nos dados de teste.' Pergunte aos alunos: 'Qual é o problema mais provável aqui e como a validação cruzada poderia ter sido usada para detetá-lo mais cedo?'

Questão para Discussão

Após a atividade Parcerias: Treino de Modelo Simples, peça aos alunos que discutam em pares: 'Se treinassem um modelo para prever a aprovação de alunos em exames, que tipo de dados de treino seriam essenciais? Que problemas poderiam surgir com dados enviesados e como poderiam mitigar esses riscos?'

Extensões e Apoio

• Desafio: Peça aos alunos que criem um dataset sintético com 3 classes e explorem como a escolha do valor de k no k-NN afeta a fronteira de decisão, documentando os resultados em um relatório breve.
• Apoio: Para alunos com dificuldade, forneça um template com passos claros para pré-processamento e um exemplo de código comentado para treinar um modelo simples.
• Deeper exploration: Proponha um desafio de otimização: 'Como reduzir overfitting em um modelo de regressão sem perder informações relevantes?' e peça-lhes que testem técnicas como regularização ou redução de dimensionalidade.

Vocabulário-Chave

Aprendizagem Supervisionada	Um tipo de machine learning onde o modelo aprende a partir de um conjunto de dados de treino que inclui tanto as entradas (features) como as saídas desejadas (rótulos).
Dados de Treino	O conjunto de dados rotulados utilizado para treinar um modelo de machine learning, permitindo que este aprenda padrões e relações.
Classificação	Um problema de aprendizagem supervisionada onde o objetivo é prever uma categoria discreta ou rótulo para uma dada entrada (ex: spam/não spam, gato/cão).
Regressão	Um problema de aprendizagem supervisionada onde o objetivo é prever um valor contínuo ou numérico para uma dada entrada (ex: preço de uma casa, temperatura de amanhã).
Validação Cruzada	Uma técnica para avaliar a performance de um modelo de machine learning, dividindo os dados em múltiplos subconjuntos e treinando/testando o modelo iterativamente para obter uma estimativa mais fiável da sua generalização.
Overfitting	Um fenómeno onde um modelo de machine learning aprende os dados de treino demasiado bem, incluindo o ruído e os detalhes específicos, o que leva a uma má performance em dados novos e não vistos.