Idéer för aktivt lärande
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.
Aktivitet 01
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.
Vad är skillnaden mellan övervakad och oövervakad inlärning?
Aktivitet 02
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.
Hur fungerar ett enkelt neuralt nätverk?
Aktivitet 03
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.
Vilka typer av problem kan lösas med maskininlärning?
Några anteckningar om att undervisa detta avsnitt
Se upp för dessa missuppfattningar
Att AI och maskininlärning är 'magi' som kan lösa allt.
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.
Att en dator 'tänker' som en människa.
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.
Metoder som används i denna översikt
Etik och bias i AI-system
Analys av hur fördomar i träningsdata kan leda till diskriminerande AI-modeller och vikten av ansvarsfull AI.
8 methodologies
Tillämpad AI och projektarbete
Praktisk tillämpning där eleverna designar ett koncept eller en enkel prototyp som använder AI för att lösa ett problem.
8 methodologies