Wszystkie lekcje

Kurs

AI klasy 6: AI i myślenie komputacyjne

Poznaj algorytmy i dane oraz zobacz, jak modele uczenia maszynowego są trenowane i testowane.

Rób lekcje po kolei. Na końcu umiesz odróżnić AI, uczenie maszynowe i generatywną AI oraz nazwać wejście, model i wyjście prawdziwej aplikacji AI. Umiesz pisać algorytmy z pętlami i warunkami oraz budować drzewo decyzyjne. Umiesz wyjaśnić, jak piksele i tekst są zapisane jako liczby, klasyfikować punkt po najbliższych przykładach i obliczać dokładność z wyników testu. Umiesz wyjaśnić, jak neuron łączy wejścia z wagami, dzielić zdanie na tokeny, oceniać aplikację AI pod kątem dokładności, sprawiedliwości i prywatności oraz przedstawić klasyfikator roślin i wyjaśnić jego błędy.

Jak używać tych lekcji

  • Zacznij od lekcji oznaczonej Zrób to. Idź dalej, gdy potrafisz sam zrobić wiersz pod tytułem.
  • Najpierw zagraj w Gry. Potem zrób Quiz. 8 z 10 dobrych, żeby zaliczyć. Karty pracy są na papierze. Odpowiedzi są na dole.
  • Każda lekcja opiera się na poprzedniej. Jeśli lekcja jest trudna, cofnij się o jedną.
  • Używaj tylko narzędzi AI, które zatwierdzi nauczyciel. Nigdy nie wklejaj prywatnych informacji do chatbota. Sprawdzaj każdą odpowiedź AI i powiedz, które części twojej pracy pomogło AI.

Każda lekcja ma gry, quiz i karty pracy.

0 z 36

Rozumienie AI

  1. 1AI, uczenie maszynowe i generatywna AIOdróżnij AI, uczenie maszynowe i generatywną AI.
    • Zdefiniuj AI, uczenie maszynowe i generatywną AI.
    • Narysuj, jak mieszczą się jedno w drugim.
    • Podziel dziesięć aplikacji na trzy grupy.
  2. 2Krótka historia AIUmieść ważne momenty AI na osi czasu.
    • Umieść komputery do szachów, asystentów głosowych i chatboty na osi czasu.
    • Powiedz, co się zmieniło, żeby każdy z nich był możliwy.
    • Nazwij jedną prognozę, która była błędna.
  3. 3Wąska i ogólna AIWyjaśnij, dlaczego dzisiejsza AI najlepiej radzi sobie z wąskimi zadaniami.
    • Porównaj program szachowy i człowieka.
    • Wypisz zadania, które AI robi dobrze, i zadania, z którymi ma kłopot.
    • Wyjaśnij, czego potrzebowałaby ogólna AI.
  4. 4Przeanalizuj system AINazwij wejście, model i wyjście prawdziwej aplikacji AI.
    • Wybierz aplikację, na przykład wyszukiwanie zdjęć albo tłumacz.
    • Narysuj jej wejście, model i wyjście.
    • Powiedz, na jakich danych prawdopodobnie była trenowana.

Algorytmy

  1. 5SekwencjeNapisz algorytm jako sekwencję kroków.
    • Zdefiniuj algorytm.
    • Napisz kroki zrobienia kanapki.
    • Znajdź kroki, które są niejasne dla komputera.
  2. 6PętleUżyj pętli, żeby powtórzyć kroki.
    • Zastąp powtarzane kroki pętlą.
    • Użyj pętli, która liczy.
    • Użyj pętli, która działa, aż warunek będzie spełniony.
  3. 7WarunkiUżyj warunków, żeby wybrać drogę.
    • Napisz if, else if i else.
    • Połącz warunki za pomocą and, or i not.
    • Prześledź algorytm ręcznie.
  4. 8Drzewa decyzyjneZbuduj drzewo decyzyjne, które dzieli zwierzęta.
    • Zadawaj pytania tak albo nie przy każdej gałęzi.
    • Podziel dziesięć zwierząt swoim drzewem.
    • Znajdź najkrótsze drzewo, które nadal działa.

Reprezentacja danych

  1. 9Liczby i kategorieOdróżnij dane liczbowe od kategorii.
    • Podziel cechy na liczby i kategorie.
    • Zamień kategorię na liczby.
    • Powiedz, dlaczego komputer potrzebuje liczb.
  2. 10Obrazy jako liczbyWyjaśnij, jak piksele zapisują obraz jako liczby.
    • Narysuj obrazek na siatce z 0 i 1.
    • Zmieszaj wartości czerwieni, zieleni i niebieskiego.
    • Policz liczby na małym zdjęciu.
  3. 11Tekst jako liczbyWyjaśnij, jak tekst można zapisać jako liczby.
    • Zamień litery na kody.
    • Daj każdemu słowu na liście liczbę.
    • Policz, jak często pojawia się każde słowo.
  4. 12Tabele danychUporządkuj dane w wiersze, kolumny i cechy tabeli.
    • Zbuduj tabelę w arkuszu kalkulacyjnym.
    • Nazwij cechy i etykietę.
    • Posortuj i przefiltruj tabelę.

Klasyfikacja

  1. 13Cechy i etykietyWybierz przydatne cechy dla etykiety.
    • Powiedz, czym jest cecha i czym jest etykieta.
    • Ułóż cechy od najbardziej do najmniej przydatnej.
    • Usuń cechę, która nie pomaga.
  2. 14Najbliższy sąsiadSklasyfikuj punkt po przykładach najbliższego sąsiada.
    • Nanieś przykłady na wykres z dwiema cechami.
    • Znajdź przykład najbliższy nowego punktu.
    • Użyj trzech najbliższych i przeprowadź głosowanie.
  3. 15Rysowanie granicNarysuj linię granicy, która rozdziela dwie grupy.
    • Narysuj linię między dwiema grupami punktów.
    • Klasyfikuj nowe punkty według strony linii.
    • Znajdź dane, których nie rozdzieli żadna linia prosta.
  4. 16Zbuduj klasyfikatorZbuduj prosty klasyfikator narzędziem bez kodu.
    • Wczytaj mały zbiór danych.
    • Wytrenuj klasyfikator.
    • Sklasyfikuj pięć nowych przykładów.

Trenowanie modelu

  1. 17Dane treningoweWyjaśnij, czego model uczy się z danych treningowych.
    • Powiedz, że model uczy się wzorców, a nie reguł, które piszesz.
    • Pokaż, jak zmiana danych zmienia model.
    • Znajdź wzorzec, którego model nauczył się przypadkiem.
  2. 18Dane testoweWyjaśnij, dlaczego dane testowe trzeba trzymać osobno.
    • Podziel dane na zbiór treningowy i zbiór testowy.
    • Porównaj wyniki na obu zbiorach.
    • Wyjaśnij, co „zapamiętywanie” znaczy dla modelu.
  3. 19DokładnośćOblicz dokładność z wyników testu.
    • Policz poprawne przewidywania.
    • Zapisz dokładność jako procent.
    • Wyjaśnij, dlaczego 90% nadal może być złe.
  4. 20Popraw modelZmień dane i porównaj dokładność, żeby poprawić model.
    • Dodaj więcej przykładów.
    • Usuń błędne etykiety.
    • Zapisz dokładność po każdej zmianie.

Pojęcia sieci neuronowej

  1. 21Sztuczne neuronyWyjaśnij, jak neuron łączy wejścia z wagami.
    • Pomnóż każde wejście przez jego wagę.
    • Dodaj je i porównaj z progiem.
    • Zmień jedną wagę i zobacz, jak zmienia się wyjście.
  2. 22WarstwyWyjaśnij, jak warstwy przekazują sygnały do przodu.
    • Narysuj warstwę wejściową, ukrytą i wyjściową.
    • Przepuść liczby przez małą sieć.
    • Powiedz, dlaczego więcej warstw może znaleźć trudniejsze wzorce.
  3. 23Uczenie wagWyjaśnij, że trenowanie zmienia wagi.
    • Zgadnij wagi i sprawdź błąd.
    • Popchnij wagi tak, żeby błąd był mniejszy.
    • Powiedz, że trenowanie powtarza to wiele razy.
  4. 24Ludzka sieć neuronowaOdegraj małą sieć neuronową z kolegami z klasy.
    • Każda osoba jest jednym neuronem.
    • Przekaż sygnały od wejścia do wyjścia.
    • Zmień wagi, żeby poprawić złą odpowiedź.

Generatywna AI

  1. 25Jak powstaje tekstWyjaśnij, że model językowy przewiduje następny token.
    • Przewiduj następne słowo w zdaniach.
    • Zbuduj mały przewidywacz następnego słowa z opowiadania.
    • Powiedz, dlaczego model może brzmieć dobrze, a być w błędzie.
  2. 26TokenyPodziel zdanie na tokeny.
    • Zobacz, jak tokenizer dzieli słowa.
    • Policz tokeny w zdaniu.
    • Powiedz, dlaczego długie słowa stają się kilkoma tokenami.
  3. 27Eksperymenty z promptemZmień jedną część promptu i porównaj wyniki.
    • Zmieniaj tylko jedną rzecz naraz.
    • Zapisz każdy prompt i wynik.
    • Napisz, co zrobiła każda zmiana.
  4. 28Granice generowaniaWyjaśnij, dlaczego model językowy może zmyślać.
    • Znajdź zmyślony fakt w odpowiedzi AI.
    • Wyjaśnij, dlaczego przewidywanie może go stworzyć.
    • Wypisz sposoby sprawdzania tekstu AI.

Etyka AI

  1. 29StronniczośćZnajdź stronniczość w zbiorze danych albo w wyniku.
    • Zdefiniuj stronniczość w AI.
    • Znajdź grupę, która jest niedoreprezentowana.
    • Wyjaśnij, jak to zmienia wyniki.
  2. 30Dokładność i zaufanieZdecyduj, kiedy odpowiedź AI jest bezpieczna, żeby jej zaufać.
    • Porównaj zastosowania o niskim i wysokim ryzyku.
    • Zdecyduj, kiedy człowiek musi sprawdzić.
    • Napisz listę kontrolną zaufania.
  3. 31PrywatnośćWyjaśnij, jakie dane zbiera aplikacja AI.
    • Przeczytaj podsumowanie prywatności aplikacji.
    • Wypisz dane, które zbiera.
    • Powiedz, czego nie udostępnisz.
  4. 32Oceń system AIOceń aplikację AI pod kątem dokładności, sprawiedliwości i prywatności.
    • Zrób kartę ocen z trzema częściami.
    • Przetestuj aplikację i ją wypełnij.
    • Zaproponuj jedną poprawkę.

Projekt odkrywania AI

  1. 33Zaplanuj projektNapisz pytanie i zaplanuj zbiór danych.
    • Napisz pytanie: „Z której rośliny jest ten liść?”
    • Wybierz trzy albo cztery grupy roślin.
    • Zaplanuj zbiór treningowy i zbiór testowy.
  2. 34Przygotuj dane o roślinachPosortuj i opisz etykietami zdjęcia liści.
    • Użyj przygotowanego zbioru danych o liściach.
    • Sprawdź etykiety.
    • Trzymaj zbiór testowy osobno.
  3. 35Trenuj i testujWytrenuj klasyfikator roślin i zapisz wyniki.
    • Wytrenuj klasyfikator.
    • Oblicz dokładność na zbiorze testowym.
    • Zbierz błędne przewidywania.
  4. 36Detektyw roślin AIPrzedstaw klasyfikator roślin i wyjaśnij jego błędy.
    • Pokaż poprawne i błędne przewidywania.
    • Wyjaśnij, dlaczego błędy się zdarzyły.
    • Powiedz, jakie dodatkowe przykłady by pomogły.