4.3. Διερεύνηση για τη μηχανική μάθηση
Προσδοκώμενα μαθησιακά αποτελέσματα: Οι μαθητές/τριες να
- πειραματίζονται και διερευνούν σύγχρονες εφαρμογές ΤΝ, μηχανικής μάθησης
- μοντελοποιούν τη λειτουργία εφαρμογών ΤΝ
- αναγνωρίζουν μοτίβα, εξηγούν αίτιο και αποτέλεσμα, λειτουργία συστήματος
- συνεργάζονται στην ομάδα
- επικοινωνούν στην ομάδα-ολομέλεια
Δραστηριότητες:
-Ο/Η εκπαιδευτικός υπενθυμίζει το ερευνητικό ερώτημα του προηγούμενου
εργαστηρίου για το πώς λειτουργεί η μηχανική μάθηση. Προβάλλεται στην
ολομέλεια το βίντεο του code.org για τη μηχανική μάθηση
Αξιοποιείται ένα από τα παραδείγματα που συζητήθηκαν στο προηγούμενο εργαστήριο (π.χ. πώς επιλέγει ο
φυλλομετρητής τις διαφημίσεις που μας εμφανίζει) και μοντελοποιείται η λειτουργία Συλλογή μεγάλων σετ δεδομένων, αλγόριθμος εκμάθησης, πρόβλεψη.
(βλ. Φύλλο εργασίας).
-Κάθε μαθητική ομάδα αναλαμβάνει να διερευνήσει μία από τις προτεινόμενες εφαρμογές ΤΝ του Φύλλου εργασίας, να κρατήσει τεκμήρια από την εργασία της (σημειώσεις και στιγμιότυπα οθόνης) και να μοντελοποιήσει τη λειτουργία της.
Προτείνονται οκτώ εφαρμογές:
Quickdraw
Autodraw
Deepdream
Semiconductor
Speech-to-text
Thispersondoesnotexist
Talktobooks
Talktotransformer
Ο/Η εκπαιδευτικός μπορεί να επιλέξει αν θα διερευνηθούν όλες οι προτεινόμενες εφαρμογές ή ορισμένες από αυτές και να προσαρμόσει ανάλογα το Φύλλο εργασίας.
Για την εφαρμογή Deepdream που απαιτεί σύνδεση με λογαριασμό, προτείνεται να έχει «δημιουργηθεί» λογαριασμός από τον/την εκπαιδευτικό.
-Οι ομάδες παρουσιάζουν στην ολομέλεια τα ευρήματά τους και τα τεκμήρια που
συγκέντρωσαν. Εντοπίζονται τα κοινά μοτίβα, εξάγονται συμπεράσματα. Προκύπτει
ενδεχομένως το ερευνητικό ερώτημα αν οι επιλογές της ΤΝ/μηχανικής μάθησης
είναι ουδέτερες.
-Γίνεται σύνοψη του εργαστηρίου.
Διδακτική Παρέμβαση 4-Διερεύνηση για τη μηχανική μάθηση
ΕΡΓΑΣΙΑ 3
Εργαστήριο 3ο-Διερεύνηση για τη μηχανική μάθηση
Ονοματεπώνυμο:
Ερωτήσεις
1. Με βάση τη δραστηριότητα AI for Oceans που υλοποιήσαμε στην τάξη, εξηγήστε με δικά σας λόγια τη θεμελιώδη διαφορά μεταξύ του Παραδοσιακού Προγραμματισμού και της Μηχανικής Μάθησης (Machine Learning).
2. Η Μηχανική Μάθηση απαιτεί “δεδομένα” (data) για να μάθει. Δώστε ένα παράδειγμα από την καθημερινότητά σας (π.χ. πως προτείνει βίντεο το youtube) και εξηγήστε ποια δεδομένα πιστεύετε ότι χρησιμοποιεί ένα σύστημα Μηχανικής Μάθησης για να λειτουργήσει.