Totes les lliçons

Curs

IA de 4t: Detectius de dades

Recull dades, posa a cada exemple l’etiqueta correcta, entrena un classificador senzill i prova’l.

Fes les lliçons en ordre. Al final pots dir que les dades són fets que recollim i llegir una fila i una columna en una taula. Pots anomenar característiques, posar a cada exemple l’etiqueta correcta i corregir una etiqueta incorrecta. Pots entrenar un model amb dos o tres grups, provar un model amb imatges que no ha vist, comptar quantes prediccions són correctes i explicar una predicció incorrecta. Pots trobar un grup que falta en un conjunt de dades, equilibrar-lo i explicar què encerta i què falla el teu separador de reciclatge.

Com fer servir aquestes lliçons

  • Comença a la lliçó que diu Fes això. Passa endavant quan puguis fer tu sol la línia de sota el títol.
  • Primer juga als Jocs. Després fes les Proves. 8 de 10 encerts per aprovar. Les Fitxes són en paper. Les respostes són a baix.
  • Una estona curta n’hi ha prou. Si una lliçó és difícil, fes una altra vegada l’anterior.
  • Porta un quadern de dades. Per al separador, fes servir paper, plàstic i metall nets de casa. Fes servir eines d’IA només amb un mestre o un pare o una mare, i no facis mai fotos de persones sense demanar.

Cada lliçó té jocs, proves i fitxes.

0 de 30

Què són les dades?

  1. 1Què són les dadesDigues que les dades són fets que recollim.
    • Troba dades en un informe del temps i en un marcador d’esport.
    • Digues qui les recull i per què.
    • Recull tres fets sobre el teu dia.
  2. 2Tipus de dadesOrdena les dades en nombres, paraules, imatges i sons.
    • Ordena deu dades en quatre grups.
    • Digues quin tipus recull una càmera.
    • Digues quin tipus recull un termòmetre.
  3. 3TaulesLlegeix una fila i una columna en una taula.
    • Digues que cada fila és un exemple.
    • Digues que cada columna és una característica.
    • Troba un valor en una taula.
  4. 4Fes un conjunt de dadesFes un conjunt de dades: una taula petita sobre mascotes.
    • Tria tres columnes: nom, tipus i potes.
    • Afegeix deu files.
    • Revisa que cada casella estigui plena.
  5. 5Preguntes a partir de les dadesRespon una pregunta amb una taula.
    • Pregunta: «Quina mascota és la més comuna?»
    • Compta per trobar la resposta.
    • Fes un gràfic de barres d’això.

Recollir i etiquetar dades

  1. 6CaracterístiquesAnomena característiques d’un objecte, com el color i la mida.
    • Llista les característiques d’una fulla.
    • Digues quines característiques pots mesurar.
    • Tria les característiques que distingeixen dues fulles.
  2. 7EtiquetesPosa a cada exemple l’etiqueta correcta.
    • Digues que una etiqueta és la resposta que volem que la IA aprengui.
    • Etiqueta vint imatges.
    • Revisa les etiquetes d’un amic.
  3. 8Dades bonesDigues per què importen les dades bones: exemples clars i correctes.
    • Compara fotos clares i fotos borroses.
    • Compara etiquetes correctes i incorrectes.
    • Digues quin conjunt ensenyaria millor la IA.
  4. 9Dades desordenadesTroba dades desordenades i corregeix una etiqueta incorrecta.
    • Troba caselles buides, errors d’escriptura i etiquetes incorrectes.
    • Corregeix cada problema.
    • Digues què aprendria la IA si no ho fessis.
  5. 10Recull característiquesRecull característiques: mesura i anota les de deu objectes.
    • Mesura la llargada i el pes.
    • Anota el color i la forma.
    • Afegeix una etiqueta a cada fila.

Com aprèn la IA

  1. 11Entrenar amb exemplesDigues que un model aprèn d’exemples amb etiqueta.
    • Digues què és un model.
    • Digues que entrenar és mostrar-li exemples.
    • Tria bons exemples d’entrenament.
  2. 12Com funciona la classificacióDigues com un classificador tria una etiqueta.
    • Digues que un classificador posa les coses en grups.
    • Mira com compara una imatge nova amb els seus exemples.
    • Digues a quin grup s’assembla més.
  3. 13Entrena el teu primer modelEntrena un model amb dos o tres grups.
    • Tria dos o tres grups.
    • Afegeix almenys deu exemples a cada grup.
    • Prem entrena i mira com aprèn.
  4. 14Prova exemples nousProva un model amb imatges que no ha vist.
    • Mostra al model imatges noves.
    • Anota cada predicció.
    • Marca cadascuna bé o malament.
  5. 15Laboratori d’entrenamentEntrena, prova i millora un model.
    • Entrena un model amb els teus propis grups.
    • Prova’l i troba els seus errors.
    • Afegeix exemples i torna’l a provar.

Fer prediccions

  1. 16Entrenar i provarDigues per què provem amb exemples nous.
    • Compara una prova amb imatges velles i una amb imatges noves.
    • Digues per què la prova amb imatges velles no és justa.
    • Guarda un conjunt de prova a part.
  2. 17Bé i malamentCompta quantes prediccions són correctes.
    • Compta les prediccions correctes i les incorrectes.
    • Escriu la puntuació com 8 de 10.
    • Compara dos models per les seves puntuacions.
  3. 18Com de segurLlegeix com de segur està un model.
    • Llegeix la barra de com de segur està.
    • Troba una predicció en què el model no està segur.
    • Digues quan una persona ha de revisar.
  4. 19Per què ha fallatExplica per què ha fallat una predicció incorrecta.
    • Mira una imatge que el model ha fallat.
    • Compara-la amb els exemples d’entrenament.
    • Digues què era diferent.
  5. 20Millora el modelMillora el model: afegeix exemples i torna a provar.
    • Afegeix exemples semblants als que ha fallat.
    • Entrena una altra vegada.
    • Compara la puntuació nova amb la vella.

Justícia i biaix

  1. 21Qui faltaTroba un grup que falta en un conjunt de dades.
    • Mira un conjunt de dades de gossos sense gossos petits.
    • Digues què fallarà el model.
    • Troba un grup que falta en un altre conjunt de dades.
  2. 22Dades equilibradesDigues si un conjunt de dades té el mateix nombre en cada grup.
    • Compta els exemples de cada grup.
    • Fes un gràfic de barres dels comptes.
    • Digues si el conjunt de dades està equilibrat.
  3. 23Resultats injustosDigues com les dades que falten poden fer injusta la IA.
    • Mira un model que va bé per a un grup i malament per a un altre.
    • Uneix el problema amb les dades.
    • Digues a qui podria fer mal.
  4. 24Arregla el conjunt de dadesAfegeix exemples per equilibrar un conjunt de dades.
    • Planeja quins exemples afegir.
    • Afegeix-los i entrena una altra vegada.
    • Revisa si la puntuació de cada grup ha millorat.
  5. 25Just per a tothomDigues a qui podria fer mal una IA que no és justa per a tothom.
    • Llegeix un conte curt sobre una IA injusta.
    • Digues qui ha quedat fora.
    • Escriu una regla per fer-la justa.

Laboratori de ciències d’IA

  1. 26Fes una preguntaEscriu una pregunta que un separador d’IA podria respondre.
    • Tria una feina de separar, com el reciclatge.
    • Escriu la pregunta: «Això és paper, plàstic o metall?»
    • Digues com ajudaria el separador.
  2. 27Planeja les dadesPlaneja quins exemples recolliràs.
    • Llista els grups.
    • Planeja quants exemples per a cada grup.
    • Planeja quins exemples guardar per a la prova.
  3. 28Fes el separadorEntrena un separador de reciclatge amb paper, plàstic i metall.
    • Fes fotos de reciclatge net.
    • Etiqueta les fotos.
    • Entrena el separador.
  4. 29Prova casos difícilsProva el separador amb objectes difícils.
    • Prova paper arrugat i plàstic brillant.
    • Anota els resultats.
    • Troba l’objecte que més falla.
  5. 30Informe del separador de reciclatgeExplica què encerta i què falla el teu separador de reciclatge.
    • Comparteix la teva puntuació.
    • Mostra un error i explica’l.
    • Digues com el milloraries.