Datalogi · Gymnasiet 3 · Artificiell Intelligens och Framtidens Teknik · 5.º Período

Grundläggande maskininlärning

Introduktion till övervakad och oövervakad inlärning samt hur algoritmer kan tränas på data.

Kort sammanfattning:Maskininlärning (ML) är en del av AI där datorer lär sig mönster från data istället för att följa strikta instruktioner. Eleverna introduceras till grundläggande koncept som övervakad inlärning (att lära från facit) och oövervakad inlärning (att hitta dolda mönster). Detta är ett av de mest expansiva områdena inom datalogi idag.

• Skolverket Kursplaner
• Skolverket DAODAT01: Centralt innehåll - Aktuella utvecklingsområden inom datalogi
• Skolverket DAODAT01: Kunskapskrav C - Beskriva nya teknologier

Om detta ämne

Maskininlärning (ML) är en del av AI där datorer lär sig mönster från data istället för att följa strikta instruktioner. Eleverna introduceras till grundläggande koncept som övervakad inlärning (att lära från facit) och oövervakad inlärning (att hitta dolda mönster). Detta är ett av de mest expansiva områdena inom datalogi idag.

I kursen får eleverna en inblick i hur neurala nätverk är uppbyggda och hur de tränas. Skolverket betonar vikten av att känna till aktuella utvecklingsområden. Genom att förstå logiken bakom ML kan eleverna bättre värdera de AI-tjänster de möter i vardagen. Ämnet blir begripligt när eleverna själva får träna enkla modeller och se hur resultatet förändras med olika träningsdata.

Nyckelfrågor

1. Vad är skillnaden mellan övervakad och oövervakad inlärning?
2. Hur fungerar ett enkelt neuralt nätverk?
3. Vilka typer av problem kan lösas med maskininlärning?

Se upp för dessa missuppfattningar

Vanlig missuppfattning

Att AI och maskininlärning är 'magi' som kan lösa allt.

Vad man ska lära ut istället

ML är avancerad statistik och matematik. Genom att se hur en modell misslyckas när den får dålig data förstår eleverna att systemet bara är så bra som den data det tränats på.

Vanlig missuppfattning

Att en dator 'tänker' som en människa.

Vad man ska lära ut istället

Datorn ser bara siffror och mönster. Genom att bryta ner en bild till en matris av pixelvärden kan eleverna visualisera hur datorn faktiskt 'ser' informationen.

Idéer för aktivt lärande

Utforskande cirkel

Träna en bildigenkännare

Använd verktyg som 'Teachable Machine'. Eleverna arbetar i grupper för att samla in bilder på olika föremål, träna en modell och sedan testa hur bra den fungerar på nya föremål de inte använt i träningen.

60 min·Smågrupper

Simuleringsövning

Det mänskliga neurala nätverket

Eleverna agerar noder i ett enkelt neuralt nätverk. De skickar signaler (siffror) mellan varandra, multiplicerar med en 'vikt' och ser hur ett slutgiltigt beslut fattas i utgångslagret.

45 min·Hela klassen

EPA (Enskilt-Par-Alla)

ML i vardagen

Eleverna listar tjänster de använder (Spotify, TikTok, Google Maps). De diskuterar i par vilken typ av data dessa tjänster samlar in och hur maskininlärning kan användas för att förbättrare användarupplevelsen.

20 min·Par

Vanliga frågor

Vad är skillnaden mellan AI och maskininlärning?

AI är det breda begreppet för maskiner som efterliknar mänsklig intelligens. Maskininlärning är en specifik metod inom AI där man använder algoritmer för att låta datorn lära sig från data.

Behöver man vara ett geni på matte för att förstå ML?

Grundläggande förståelse för statistik och linjär algebra underlättar, men på gymnasienivå räcker det ofta med att förstå de logiska principerna och hur man använder färdiga bibliotek.

Hur kan aktivt lärande avmystifiera AI för eleverna?

Genom att låta eleverna själva 'vara' algoritmen eller träna egna modeller ser de att det handlar om logik och data, inte magi. Det ger dem en mer kritisk och realistisk bild av tekniken.

Vilka programmeringsspråk är bäst för maskininlärning?

Python är det dominerande språket tack vare bibliotek som Scikit-learn, TensorFlow och PyTorch. Det är också ett språk som många elever redan har bekantat sig med i tidigare kurser.