Natrénuje model strojového učení a vyhodnotí, jak dobře model funguje.

• Seznamuje se s jednoduchými nástroji ukazujícími postup trénování modelu (např. CODE.org).
• Provede rozsáhlejší sběr dat k určitému tématu a data zaznamená.
• Formuluje závěry na základě porovnání dat z více zdrojů.

• Má přehled o tom, pro jaké typy úloh je vhodné využívat strojové učení, využívá jednoduché nástroje ukazující postup trénování modelu strojového učení (např. na CODE.org).
• Vybírá data vhodná pro trénování modelu strojového učení pro zadaný účel: zprvu používá již připravená data, poté samostatně sbírá data, provádí základní anotace, třídění nevhodných vzorků.
• Pod vedením učitele natrénuje model.
• Vyhodnocuje, jak dobře model funguje, pod vedením učitele rozhoduje jak upravit trénovací data či nastavení učení.

• Vyhodnotí, zda je pro danou úlohu slibné využít strojové učení, a svoji volbu zdůvodní.
• Třídí a čistí data, provádí základní anotaci dat, zvažuje reprezentativnost trénovacích dat.
• Na připravených datech natrénuje model, opírá se o výchozí nastavení a dokumentaci ke zvolenému nástroji.
• Model testuje, kvantifikuje chybovost modelu a rozhodne se, jak upravit trénovací data a nastavení modelu.
• Zhodnotí využitelnost výsledného modelu ve srovnání s jinými přístupy k řešení problému.

Zadání pro žáky

Natrénujte model strojového učení. Připravte si alespoň dva soubory s 10 ks obrázků (např. svačinu a penál, jablko a hrušku). Obrázky vložte do projektu na Teachable Machine. Natrénujte model na daném souboru. Otestujte úspěšnost vašeho modelu na obrázcích z trénovacího souboru a dalších obrázcích. Vysvětlete další postup trénování modelu.

Postup ověřování

Indikátory pro posouzení, zda žák dosáhl očekávaného výsledku učení na této úrovni:

• v projektu Teachable Machine natrénuje model na daném souboru,
• otestuje úspěšnost modelu,
• vysvětlí další postup trénování modelu.

Vyzkouší si práci se modelem strojového učení.