全部课

课程

四年级人工智能：数据侦探

收集数据，给例子贴标签，训练一个简单的分类器，再测试它。

按顺序学习各课。学完后，你能说出数据是我们收集的事实，并能读表格里的一行和一列。你能说出特征，给每个例子正确的标签，并改掉错误的标签。你能用两组或三组训练模型，用模型没见过的图片测试它，数有多少预测是对的，并解释一个错误的预测。你能找出数据集里缺的一组，把数据集变平衡，并报告你的回收分拣器哪些对、哪些错。

这些课怎么用

  • 从标着做这个的课开始。标题下面那一行你自己会了，再往下。
  • 先玩游戏。再做测验。10题里对8题就通过。练习纸在纸上。答案在最下面。
  • 做一小会儿就够。哪一课难，就再来一遍前面那一课。
  • 准备一本数据笔记本。回收分拣器用家里干净的纸、塑料和金属。人工智能工具只和老师或家长一起用。没有问过，就不要给人拍照。

每一课都有游戏、测验和练习纸。

0/30

什么是数据？

  1. 1什么是数据说出数据是我们收集的事实。
    • 在天气预报和体育比分里找出数据。
    • 说出谁在收集，为什么收集。
    • 收集三件你这一天的事实。
  2. 2数据的种类把数据分成这些种类：数字、词语、图片和声音。
    • 把十份数据分成四组。
    • 说出相机收集哪一种。
    • 说出温度计收集哪一种。
  3. 3表格读表格里的一行和一列。
    • 说出每一行是一个例子。
    • 说出每一列是一个特征。
    • 在表格里找出一个值。
  4. 4做一个数据集做一个关于宠物的小数据集，用一张小表格。
    • 选三列：名字、种类和腿。
    • 加上十行。
    • 检查每一格都填了。
  5. 5从数据里提问用表格回答一个数据里的问题。
    • 问：“哪种宠物最常见？”
    • 数一数，找出答案。
    • 把它画成条形统计图。

收集数据和贴标签

  1. 6特征说出一个东西的特征，比如颜色和大小。
    • 列出一片叶子的特征。
    • 说出哪些特征可以量。
    • 选出能把两片叶子分开的特征。
  2. 7标签给每个例子正确的标签。
    • 说出标签是我们想让人工智能学会的答案。
    • 给二十张图片贴标签。
    • 检查朋友的标签。
  3. 8好的数据说出为什么好的数据要有清楚、正确的例子。
    • 比较清楚的照片和模糊的照片。
    • 比较正确的标签和错误的标签。
    • 说出哪一套能把人工智能教得更好。
  4. 9乱的数据在乱的数据里找出并改掉错误的标签。
    • 找出空格、错字和错误的标签。
    • 把每个问题改好。
    • 说出如果你不改，人工智能会学到什么。
  5. 10收集特征量出并记下十个东西的特征。
    • 量长度和重量。
    • 记下颜色和形状。
    • 给每一行加上标签。

人工智能怎么学习

  1. 11用例子训练说出训练时，模型是从带标签的例子里学习的。
    • 说出模型是什么。
    • 说出训练就是给它看例子。
    • 选出好的训练例子。
  2. 12分类是怎么工作的说出分类器怎么选出一个标签。
    • 说出分类器是把东西分到各组里。
    • 看它把一张新图片和自己的例子比一比。
    • 说出它最接近哪一组。
  3. 13训练你的第一个模型用两组或三组训练模型。
    • 选两组或三组。
    • 每一组至少加上十个例子。
    • 按下训练，看它学习。
  4. 14测试新例子用模型没见过的图片测试它。
    • 给模型看新图片。
    • 记下每一个预测。
    • 把每一个标成对或错。
  5. 15训练实验室训练、测试并改进一个模型。
    • 用你自己的组训练一个模型。
    • 测试它，找出它的错误。
    • 加上例子，再测试一次。

做出预测

  1. 16训练和测试说出为什么要用新例子来测试。
    • 比较用旧图片做的测试和用新图片做的测试。
    • 说出为什么用旧图片测试不公平。
    • 把测试用的那一份分开留着。
  2. 17对和错数有多少预测是对的。
    • 数对的预测和错的预测。
    • 把分数写成 8/10。
    • 用分数比较两个模型。
  3. 18有多确定读出模型有多确定。
    • 读一条信心条。
    • 找出一个模型不确定的预测。
    • 说出什么时候该让人来检查。
  4. 19一个错误的预测解释一个错误的预测。
    • 看一张模型认错的图片。
    • 把它和训练例子比一比。
    • 说出哪里不一样。
  5. 20改进模型加上例子再测试一次，以便改进模型。
    • 加上和它漏掉的那些很像的例子。
    • 再训练一次。
    • 把新分数和旧分数比一比。

公平和偏见

  1. 21谁缺了找出数据集里缺的一组。
    • 看一个狗的数据集，里面没有小型狗。
    • 说出模型会在哪里出错。
    • 在另一个数据集里找出缺的一组。
  2. 22平衡的数据说出数据集平不平衡：每一组的数量是不是一样。
    • 数每一组里的例子。
    • 把这些数量画成条形统计图。
    • 说出数据集平不平衡。
  3. 23不公平的结果说出缺了的数据怎么会让人工智能不公平。
    • 看一个模型对一组很好、对另一组很差。
    • 把问题和数据连起来。
    • 说出谁可能受到伤害。
  4. 24修好数据集加上例子，把数据集变平衡。
    • 计划要加哪些例子。
    • 加上它们，再训练一次。
    • 检查每一组的分数有没有变好。
  5. 25对每个人公平说出不公平的人工智能会伤害谁。
    • 读一个关于不公平的人工智能的小故事。
    • 说出谁被漏掉了。
    • 写一条规则，让它变得公平。

人工智能科学实验室

  1. 26提出一个问题写一个人工智能分拣器能回答的问题。
    • 选一个分类的工作，比如回收。
    • 写下问题：“这是纸、塑料，还是金属？”
    • 说出分拣器会怎么帮忙。
  2. 27计划数据计划要收集哪些数据例子。
    • 列出各组。
    • 计划每一组要多少例子。
    • 计划哪些例子留下来测试。
  3. 28做出分拣器用纸、塑料和金属训练一个回收分拣器。
    • 给干净的回收品拍照。
    • 给照片贴标签。
    • 训练分拣器。
  4. 29测试难的例子用难认的东西测试分拣器。
    • 测试皱掉的纸和亮的塑料。
    • 记下结果。
    • 找出它最常认错的东西。
  5. 30回收分拣器报告报告你的回收分拣器哪些对、哪些错。
    • 分享你的分数。
    • 展示一个错误并解释它。
    • 说出你会怎么让它变得更好。