Σκοποί

Εισαγωγή των μαθητών στις βασικές έννοιες της Μηχανικής Μάθησης και της Τεχνητής Νοημοσύνης.
Ανάπτυξη κατανόησης της διαδικασίας εκπαίδευσης ενός μοντέλου Μηχανικής Μάθησης.
Καλλιέργεια δεξιοτήτων κριτικής σκέψης και επίλυσης προβλημάτων στο πλαίσιο της ανάλυσης δεδομένων.

Στόχοι

Με την ολοκλήρωση της δραστηριότητας, οι μαθητές θα είναι σε θέση να:

Κατανοούν και να εξηγούν τις βασικές αρχές της Επιβλεπόμενης Μάθησης.
Αναγνωρίζουν τη σημασία των δεδομένων εκπαίδευσης στη Μηχανική Μάθηση.
Εφαρμόζουν πρακτικά τη διαδικασία συλλογής και προετοιμασίας δεδομένων για την εκπαίδευση ενός μοντέλου.
Χρησιμοποιούν το εργαλείο Teachable Machine για να εκπαιδεύσουν ένα απλό μοντέλο αναγνώρισης εικόνας.
Αξιολογούν την απόδοση ενός μοντέλου Μηχανικής Μάθησης και να προτείνουν τρόπους βελτίωσής του.
Αναλύουν τις προκλήσεις και τους περιορισμούς των μοντέλων Μηχανικής Μάθησης στην αναγνώριση εικόνων.
Συζητούν τις πιθανές εφαρμογές της τεχνολογίας αναγνώρισης εικόνων στον πραγματικό κόσμο.
Αναπτύσσουν δεξιότητες συνεργασίας και επικοινωνίας μέσω της ομαδικής εργασίας.
Καλλιεργούν την ικανότητα παρουσίασης και υπεράσπισης των αποτελεσμάτων της εργασίας τους.
Αναγνωρίζουν και να συζητούν τα ηθικά ζητήματα που σχετίζονται με τη χρήση της Τεχνητής Νοημοσύνης στην αναγνώριση εικόνων.
Αναπτύσσουν ενδιαφέρον για περαιτέρω εξερεύνηση του πεδίου της Μηχανικής Μάθησης και της Τεχνητής Νοημοσύνης.
Εξασκούν την κριτική τους σκέψη αναλύοντας πώς τα μοντέλα Μηχανικής Μάθησης λαμβάνουν αποφάσεις και πώς αυτές μπορεί να επηρεάζονται από τα δεδομένα εκπαίδευσης.

Αυτοί οι σκοποί και στόχοι καλύπτουν ένα ευρύ φάσμα γνώσεων και δεξιοτήτων, από την τεχνική κατανόηση της Μηχανικής Μάθησης μέχρι την ανάπτυξη κριτικής σκέψης και ηθικής συνείδησης σχετικά με τη χρήση αυτών των τεχνολογιών.

Περιγραφή δραστηριότητας

Το εκπαιδευτικό μέρος (15 λεπτά)

Κατά τη διάρκεια αυτού του μέρους, οι μαθητές θα κατανοήσουν την Επιβλεπόμενη Εκμάθηση Μηχανής ως ένα υποσύνολο της Τεχνητής Νοημοσύνης, εστιάζοντας στην αναγνώριση εικόνων.

Η εκμάθηση μηχανής είναι ένας κλάδος της Τεχνητής Νοημοσύνης που επιτρέπει στους υπολογιστές να μαθαίνουν από δεδομένα χωρίς να προγραμματίζονται ρητά.

Στην περίπτωσή μας, θα εστιάσουμε στην Επιβλεπόμενη εκμάθηση: Παρέχουμε στο μοντέλο επισημασμένα δεδομένα (φωτογραφίες γάτων και σκύλων με τις αντίστοιχες ετικέτες) και το εκπαιδεύουμε να αναγνωρίζει νέες, άγνωστες εικόνες.

Πραγματικές εφαρμογές:

Αυτόματη ταξινόμηση φωτογραφιών σε εφαρμογές όπως το Google Photos
Συστήματα ασφαλείας για αναγνώριση κατοικίδιων
Εφαρμογές για κτηνιάτρους ή καταφύγια ζώων

Το μέρος ζωντανής επίδειξης της Μηχανής με Δυνατότητα Εκπαίδευσης (20 λεπτά)

Χρησιμοποιώντας το https://teachablemachine.withgoogle.com/, ο εκπαιδευτικός επιδεικνύει τη διαδικασία τριών βημάτων:

Συγκέντρωση δεδομένων: Συλλογή και ομαδοποίηση εικόνων γάτων και σκύλων.
Εκπαίδευση: Εκπαίδευση του μοντέλου με τις συλλεγμένες εικόνες.
Δοκιμή: Έλεγχος της ακρίβειας του μοντέλου με νέες εικόνες.

Το εφαρμοστικό μέρος (50 λεπτά)

Οι μαθητές χωρίζονται σε ομάδες των 3-4 ατόμων για να δημιουργήσουν τον δικό τους ταξινομητή γάτας-σκύλου:

Μεταβείτε στο Teachable Machine και επιλέξτε "Image Project".
Δημιουργήστε τρεις κλάσεις: "Γάτα", "Σκύλος", και "Άλλο".
Συλλέξτε δεδομένα:

Χρησιμοποιήστε την κάμερα web για να καταγράψετε εικόνες ζωντανών κατοικίδιων ή
Ανεβάστε εικόνες από το διαδίκτυο (τουλάχιστον 50 για κάθε κατηγορία)
Συμπεριλάβετε ποικιλία: διαφορετικές ράτσες, χρώματα, στάσεις, φόντο

Εκπαιδεύστε το μοντέλο:

Κάντε κλικ στο "Train Model"
Παρατηρήστε την πρόοδο και τον χρόνο εκπαίδευσης

Δοκιμάστε το μοντέλο:

Χρησιμοποιήστε την κάμερα web ή ανεβάστε νέες εικόνες
Καταγράψτε την ακρίβεια των προβλέψεων

Πειραματιστείτε:

Δοκιμάστε εικόνες με πολλαπλά ζώα
Δοκιμάστε εικόνες με μέρη ζώων (π.χ. μόνο ουρά ή πόδια)
Δοκιμάστε σκίτσα ή καρτούν γάτων και σκύλων

Καταγράψτε παρατηρήσεις:

Ποια χαρακτηριστικά φαίνεται να χρησιμοποιεί το μοντέλο για την ταξινόμηση;
Πώς αποδίδει σε δύσκολες περιπτώσεις (π.χ. γάτα που μοιάζει με σκύλο);
Πώς θα μπορούσατε να βελτιώσετε το μοντέλο;

Συζήτηση:

Συγκρίνετε τα αποτελέσματα μεταξύ των ομάδων
Συζητήστε τις προκλήσεις και τους περιορισμούς της μεθόδου
Αναλογιστείτε πιθανές εφαρμογές και ηθικά ζητήματα

Μέσω αυτής της δραστηριότητας, οι μαθητές θα κατανοήσουν τις βασικές αρχές της επιβλεπόμενης μάθησης και θα αποκτήσουν πρακτική εμπειρία στη δημιουργία ενός απλού μοντέλου αναγνώρισης εικόνας.

Υπεύθυνοι Εκπαιδευτικοί : Ιωάννης Διαμάντης ΠΕ03 & Λεμονιά Παπαδοπούλου ΠΕ86

Nearby upcoming events