Todas as lições

Curso

IA do 4.º ano: Detetives dos dados

Recolhe dados, põe etiquetas nos exemplos, treina um classificador simples e testa-o.

Faz as lições por ordem. No fim, sabes dizer que os dados são factos que recolhemos e ler uma linha e uma coluna numa tabela. Sabes nomear características, dar a cada exemplo a etiqueta certa e corrigir uma etiqueta errada. Sabes treinar um modelo em dois ou três grupos, testá-lo com imagens de exemplo que ainda não viu, contar quantas previsões estão certas e explicar uma previsão que falhou. Sabes encontrar um grupo que falta num conjunto de dados, equilibrar o conjunto de dados e fazer o relatório do que o teu separador da reciclagem acerta e erra.

Como usar estas lições

  • Começa na lição marcada Faz isto. Segue quando conseguires fazer sozinho a linha por baixo do título.
  • Joga os Jogos primeiro. Depois faz os Testes. 8 de 10 certas para passar. As Fichas são em papel. As respostas estão em baixo.
  • Uma vez curta chega. Se uma lição for difícil, joga outra vez a de antes.
  • Guarda um caderno de dados. Para o separador, usa coisas limpas de papel, plástico e metal de casa. Usa ferramentas de IA só com um professor ou com o pai ou a mãe, e nunca tires fotos de pessoas sem pedir.

Cada lição tem jogos, testes e fichas.

0 de 30

O que são dados?

  1. 1O que são dadosDiz que os dados são factos que recolhemos.
    • Encontra dados num boletim do tempo e num resultado desportivo.
    • Diz quem os recolhe e porquê.
    • Recolhe três factos sobre o teu dia.
  2. 2Tipos de dadosSepara os dados nos tipos: números, palavras, imagens e sons.
    • Separa dez pedaços de dados em quatro grupos.
    • Diz que tipo uma câmara recolhe.
    • Diz que tipo um termómetro recolhe.
  3. 3TabelasLê uma linha e uma coluna numa tabela.
    • Diz que cada linha é um exemplo.
    • Diz que cada coluna é uma característica.
    • Encontra um valor numa tabela.
  4. 4Constrói um conjunto de dadosConstrói um conjunto de dados: uma tabela pequena sobre animais de estimação.
    • Escolhe três colunas: nome, tipo e patas.
    • Acrescenta dez linhas.
    • Verifica se todas as casas estão preenchidas.
  5. 5Perguntas a partir dos dadosResponde a uma pergunta a partir dos dados com uma tabela.
    • Pergunta “Qual é o animal de estimação mais comum?”
    • Conta para encontrar a resposta.
    • Faz um gráfico de barras disso.

Recolher e etiquetar dados

  1. 6CaracterísticasDiz as características de um objeto, como a cor e o tamanho.
    • Lista as características de uma folha.
    • Diz que características podes medir.
    • Escolhe as características que distinguem duas folhas.
  2. 7EtiquetasDá a cada exemplo a etiqueta certa.
    • Diz que uma etiqueta é a resposta que queremos que a IA aprenda.
    • Põe etiquetas em vinte imagens.
    • Verifica as etiquetas de um amigo.
  3. 8Dados bonsDiz porque é que exemplos claros e certos fazem dados bons.
    • Compara fotos nítidas e fotos desfocadas.
    • Compara etiquetas certas e etiquetas erradas.
    • Diz que conjunto ensinaria melhor a IA.
  4. 9Dados desarrumadosEncontra e corrige uma etiqueta errada nos dados desarrumados.
    • Encontra casas vazias, erros de escrita e etiquetas erradas.
    • Corrige cada problema.
    • Diz o que a IA aprenderia se não o fizesses.
  5. 10Recolhe característicasRecolhe as características de dez objetos, medindo-as e registando-as.
    • Mede o comprimento e o peso.
    • Regista a cor e a forma.
    • Acrescenta uma etiqueta a cada linha.

Como a IA aprende

  1. 11Treina com exemplosDiz que um modelo aprende com exemplos etiquetados quando o treinas.
    • Diz o que é um modelo.
    • Diz que treinar significa mostrar-lhe exemplos.
    • Escolhe bons exemplos de treino.
  2. 12Como funciona o classificadorDiz como um classificador escolhe uma etiqueta.
    • Diz que um classificador põe as coisas em grupos.
    • Vê-o a comparar uma imagem nova com os seus exemplos.
    • Diz a que grupo está mais perto.
  3. 13Treina o teu primeiro modeloTreina um modelo em dois ou três grupos.
    • Escolhe dois ou três grupos.
    • Acrescenta pelo menos dez exemplos a cada um.
    • Carrega em treinar e vê-o a aprender.
  4. 14Testa exemplos novosTesta um modelo com imagens de exemplo que ainda não viu.
    • Mostra imagens novas ao modelo.
    • Regista cada previsão.
    • Marca cada uma como certa ou errada.
  5. 15Laboratório de treinoNo laboratório de treino, treina, testa e melhora um modelo.
    • Treina um modelo nos teus próprios grupos.
    • Testa-o e encontra os erros.
    • Acrescenta exemplos e testa outra vez.

Fazer previsões

  1. 16Treinar e testarDiz porque testamos com exemplos novos.
    • Compara um teste com imagens velhas e um com imagens novas.
    • Diz porque o teste com imagens velhas não é justo.
    • Guarda um conjunto de teste à parte.
  2. 17Certo e erradoConta quantas previsões estão certas.
    • Conta as previsões certas e as erradas.
    • Escreve a pontuação como 8 em 10.
    • Compara dois modelos pelas pontuações.
  3. 18Quão certo estáLê quão certo está um modelo.
    • Lê uma barra de certeza.
    • Encontra uma previsão em que o modelo não está certo.
    • Diz quando uma pessoa deve verificar.
  4. 19Porque falhouExplica uma previsão que falhou.
    • Olha para uma imagem que o modelo errou.
    • Compara-a com os exemplos de treino.
    • Diz o que era diferente.
  5. 20Melhora o modeloMelhora o modelo acrescentando exemplos e testando outra vez.
    • Acrescenta exemplos como os que falhou.
    • Treina outra vez.
    • Compara a pontuação nova com a pontuação antiga.

Equidade e viés

  1. 21Quem faltaEncontra um grupo que falta num conjunto de dados.
    • Olha para um conjunto de dados de cães sem cães pequenos.
    • Diz o que o modelo vai errar.
    • Encontra um grupo que falta noutro conjunto de dados.
  2. 22Dados equilibradosDiz se os dados estão equilibrados, com o mesmo número em cada grupo.
    • Conta os exemplos em cada grupo.
    • Faz um gráfico de barras das contagens.
    • Diz se o conjunto de dados está equilibrado.
  3. 23Resultados injustosDiz como dados em falta podem tornar os resultados da IA injustos.
    • Vê um modelo que funciona bem para um grupo e mal para outro.
    • Liga o problema aos dados.
    • Diz quem pode sair magoado.
  4. 24Corrige o conjunto de dadosCorrige o conjunto de dados acrescentando exemplos para o equilibrar.
    • Planeia que exemplos acrescentar.
    • Acrescenta-os e treina outra vez.
    • Verifica se a pontuação de cada grupo melhorou.
  5. 25Justo para todosDiz quem pode ser magoado por uma IA que não é justa para todos.
    • Lê uma história curta sobre uma IA injusta.
    • Diz quem ficou de fora.
    • Escreve uma regra para a tornar justa.

Laboratório de ciências de IA

  1. 26Faz uma perguntaFaz uma pergunta a que um separador de IA consiga responder.
    • Escolhe um trabalho de separar, como a reciclagem.
    • Escreve a pergunta: “Isto é papel, plástico ou metal?”
    • Diz como o separador ajudaria.
  2. 27Planeia os dadosPlaneia os dados: que exemplos recolher.
    • Lista os grupos.
    • Planeia quantos exemplos para cada grupo.
    • Planeia que exemplos guardar para testar.
  3. 28Constrói o separadorConstrói o separador da reciclagem treinando-o com papel, plástico e metal.
    • Tira fotos de reciclagem limpa.
    • Põe etiquetas nas fotos.
    • Treina o separador.
  4. 29Testa casos difíceisTesta o separador em casos difíceis.
    • Testa papel amarrotado e plástico brilhante.
    • Regista os resultados.
    • Encontra o objeto que erra mais vezes.
  5. 30Relatório do separador da reciclagemFaz o relatório do que o teu separador da reciclagem acerta e erra.
    • Mostra a tua pontuação.
    • Mostra um erro e explica-o.
    • Diz como o tornarias melhor.