Totes les lliçons

Curs

IA de 6è: IA i pensament computacional

Aprèn algoritmes i dades, i mira com s’entrenen i es proven els models d’aprenentatge automàtic.

Fes les lliçons per ordre. Al final pots distingir la IA, l’aprenentatge automàtic i la IA generativa, i anomenar l’entrada, el model i la sortida d’una app d’IA real. Pots escriure algoritmes amb bucles i condicions i construir un arbre de decisió. Pots explicar com els píxels i el text es guarden com a números, classificar un punt pels seus exemples més propers i calcular l’exactitud a partir dels resultats de la prova. Pots explicar com una neurona combina entrades amb pesos, dividir una frase en tokens, puntuar una app d’IA en exactitud, equitat i privacitat, i presentar un classificador de plantes i explicar-ne els errors.

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.
  • Cada lliçó es basa en l’anterior. Si una lliçó és difícil, torna’n una enrere.
  • Fes servir només les eines d’IA que el teu professor aprovi. No enganxis mai informació privada en un xatbot. Comprova cada resposta de la IA i digues quines parts de la teva feina ha ajudat la IA.

Cada lliçó té jocs, proves i fitxes.

0 de 36

Entendre la IA

  1. 1IA, aprenentatge automàtic i IA generativaDistingeix la IA, l’aprenentatge automàtic i la IA generativa.
    • Defineix la IA, l’aprenentatge automàtic i la IA generativa.
    • Dibuixa com encaixen una dins de l’altra.
    • Ordena 10 apps en els tres grups.
  2. 2Una història curta de la IAPosa moments clau de la història de la IA en una línia de temps.
    • Col·loca ordinadors d’escacs, ajudants de veu i xatbots en una línia de temps.
    • Digues què va canviar perquè cadascun fos possible.
    • Anomena una predicció que va ser equivocada.
  3. 3IA estreta i generalExplica per què la IA d’avui és millor en tasques estretes.
    • Compara un programa d’escacs i una persona.
    • Llista tasques que la IA fa bé i tasques que li costen.
    • Explica què necessitaria una IA general.
  4. 4Analitza un sistema d’IAAnalitza una app d’IA real i anomena’n l’entrada, el model i la sortida.
    • Tria una app, com una cerca de fotos o un traductor.
    • Dibuixa’n l’entrada, el model i la sortida.
    • Digues amb quines dades és probable que es va entrenar.

Algoritmes

  1. 5SeqüènciesEscriu un algoritme com una seqüència de passos ordenats.
    • Defineix un algoritme.
    • Escriu els passos per fer un entrepà.
    • Troba passos que no són clars per a un ordinador.
  2. 6BuclesFes servir un bucle per repetir passos.
    • Canvia els passos repetits per un bucle.
    • Fes servir un bucle que compta.
    • Fes servir un bucle que continua fins que es compleix una condició.
  3. 7CondicionsFes servir condicions per triar un camí.
    • Escriu if, else if i else.
    • Combina condicions amb i, o i no.
    • Segueix un algoritme a mà.
  4. 8Arbres de decisióConstrueix un arbre de decisió que classifica animals.
    • Fes preguntes de sí o no a cada branca.
    • Classifica 10 animals amb el teu arbre.
    • Troba l’arbre més curt que encara funciona.

Representació de dades

  1. 9Números i categoriesDistingeix les dades numèriques de les categories.
    • Ordena característiques en números i categories.
    • Converteix una categoria en números.
    • Digues per què un ordinador necessita números.
  2. 10Imatges com a númerosExplica com els píxels guarden una imatge com a números.
    • Dibuixa un dibuix en una graella de 0 i 1.
    • Barreja valors de vermell, verd i blau.
    • Compta els números d’una foto petita.
  3. 11Text com a númerosExplica com el text es pot guardar com a números.
    • Converteix lletres en codis.
    • Dona un número a cada paraula d’una llista.
    • Compta quantes vegades apareix cada paraula.
  4. 12Taules de dadesOrganitza les dades en taules de files, columnes i característiques.
    • Munta una taula en un full de càlcul.
    • Anomena les característiques i l’etiqueta.
    • Ordena i filtra la taula.

Classificació

  1. 13Característiques i etiquetesTria característiques útils per a una etiqueta.
    • Digues què és una característica i què és una etiqueta.
    • Ordena les característiques de més útil a menys útil.
    • Treu una característica que no ajuda.
  2. 14Veí més properClassifica un punt pel seu veí més proper: els seus exemples més propers.
    • Marca exemples en un gràfic amb dues característiques.
    • Troba l’exemple més proper a un punt nou.
    • Fes servir els 3 més propers i fes una votació.
  3. 15Dibuixar límitsDibuixa un límit: una línia que separa dos grups.
    • Dibuixa una línia entre dos grups de punts.
    • Classifica punts nous segons el costat de la línia.
    • Troba dades que cap línia recta pot separar.
  4. 16Construeix un classificadorConstrueix un classificador senzill amb una eina sense codi.
    • Carrega un conjunt de dades petit.
    • Entrena un classificador.
    • Classifica 5 exemples nous.

Entrenament del model

  1. 17Dades d’entrenamentExplica què aprèn un model de les dades d’entrenament.
    • Digues que un model aprèn patrons, no regles que tu escrius.
    • Mostra com canviar les dades canvia el model.
    • Troba un patró que un model va aprendre per accident.
  2. 18Dades de provaExplica per què les dades de prova s’han de deixar a part.
    • Separa les dades en conjunts d’entrenament i de prova.
    • Compara les puntuacions dels dos conjunts.
    • Explica què vol dir “memoritzar” per a un model.
  3. 19ExactitudCalcula l’exactitud a partir dels resultats de la prova.
    • Compta les prediccions correctes.
    • Escriu l’exactitud com un percentatge.
    • Explica per què 90% encara pot ser dolent.
  4. 20Millora un modelCanvia les dades i compara l’exactitud per millorar un model.
    • Afegeix més exemples.
    • Treu etiquetes incorrectes.
    • Anota l’exactitud després de cada canvi.

Idees de xarxes neuronals

  1. 21Neurones artificialsExplica com una neurona combina entrades amb pesos.
    • Multiplica cada entrada pel seu pes.
    • Suma-les i compara-les amb un llindar.
    • Canvia un pes i mira com canvia la sortida.
  2. 22CapesExplica com les capes passen senyals endavant.
    • Dibuixa les capes d’entrada, oculta i de sortida.
    • Passa números per una xarxa petita.
    • Digues per què més capes poden trobar patrons més difícils.
  3. 23Aprendre els pesosExplica que aprendre els pesos vol dir que l’entrenament canvia els pesos.
    • Endevina pesos i revisa l’error.
    • Ajusta els pesos per fer l’error més petit.
    • Digues que l’entrenament repeteix això moltes vegades.
  4. 24Xarxa neuronal humanaRepresenta una xarxa neuronal humana petita amb els companys.
    • Cada persona fa de neurona.
    • Passa senyals de l’entrada a la sortida.
    • Canvia els pesos per corregir una resposta malament.

IA generativa

  1. 25Com es genera el textExplica que un model de llenguatge genera text en predir el token següent.
    • Prediu la paraula següent en frases.
    • Munta un predictor petit de la paraula següent a partir d’un conte.
    • Digues per què el model pot sonar bé i estar malament.
  2. 26TokensDivideix una frase en tokens.
    • Mira com un tokenitzador divideix les paraules.
    • Compta els tokens d’una frase.
    • Digues per què les paraules llargues es tornen diversos tokens.
  3. 27Experiments amb promptsCanvia una part d’un prompt i compara els resultats.
    • Canvia només una cosa cada vegada.
    • Anota cada prompt i el seu resultat.
    • Escriu què ha fet cada canvi.
  4. 28Límits de la generacióExplica els límits de la generació: per què un model de llenguatge pot inventar coses.
    • Troba una dada inventada en una resposta d’IA.
    • Explica per què predir la pot produir.
    • Llista maneres de comprovar un text d’IA.

Ètica de la IA

  1. 29BiaixTroba biaix en un conjunt de dades o en un resultat.
    • Defineix el biaix en la IA.
    • Troba un grup que està poc representat.
    • Explica com això canvia els resultats.
  2. 30Exactitud i confiançaDecideix, amb l’exactitud, quan és segur confiar en una resposta d’IA.
    • Compara usos de poc risc i de molt risc.
    • Decideix quan una persona ha de comprovar.
    • Escriu una llista per confiar.
  3. 31PrivacitatExplica la privacitat: quines dades recull una app d’IA.
    • Llegeix el resum de privacitat d’una app.
    • Llista les dades que recull.
    • Digues què no compartiries.
  4. 32Avalua un sistema d’IAAvalua una app d’IA i puntua-la en exactitud, equitat i privacitat.
    • Fes un full de puntuació amb tres parts.
    • Prova l’app i omple’l.
    • Proposa un arranjament.

Projecte de descoberta d’IA

  1. 33Planifica el projecteEscriu una pregunta i planifica el conjunt de dades.
    • Escriu la pregunta: “De quina planta és aquesta fulla?”
    • Tria 3 o 4 grups de plantes.
    • Planifica els conjunts d’entrenament i de prova.
  2. 34Prepara dades de plantesPrepara dades de plantes: ordena i etiqueta fotos de fulles.
    • Fes servir un conjunt de fulles ja preparat.
    • Revisa les etiquetes.
    • Deixa un conjunt de prova a part.
  3. 35Entrena i provaEntrena i prova un classificador de plantes i anota els resultats.
    • Entrena el classificador.
    • Calcula l’exactitud en el conjunt de prova.
    • Recull les prediccions incorrectes.
  4. 36Detectiu de plantes amb IAPresenta un classificador de plantes i explica’n els errors.
    • Mostra prediccions correctes i incorrectes.
    • Explica per què van passar els errors.
    • Digues quins exemples extra ajudarien.