Natrénuje model strojového učení a vyhodnotí, jak dobře model funguje.
Komentář:
Pro některé úlohy je vhodnější využít metody strojového učení (machine learning, ML) spíše než klasická algoritmická řešení. Žáci tyto situace rozliší, shromáždí trénovací data, připraví je pro trénink (vyčistí, anotují) a vloží do připraveného nástroje pro natrénování modelu. Následně hodnotí, jak dobře (s jakou chybovostí) model funguje, případně data doplňují a trénink opakují. Žáci využívají připravená prostředí, hotové nástroje nebo knihovny jako jejich uživatelé, metody strojového učení sami neprogramují.
Během této práce získávají zkušenosti například se zpracováním většího množství dat a s jeho úskalími, se vztahem trénovacích dat a kvality výsledného modelu i s procesem hodnocení kvality modelu, dále s řadou obtíží pramenících z toho, že strojové učení nerozumí datům tak jako lidé a dělá jiné druhy chyb.
Metody strojového učení jsou v současnosti nejintenzivněji využívanou i rozvíjenou oblastí umělé inteligence. Zásadním způsobem rozšiřují možnosti využití technologií a mají široké dopady na fungování celé společnosti. Vycházejí z velkých datových souborů a hledají jejich stručnější a zároveň co nejpřesnější reprezentaci, tedy model. Žáci se s tímto konceptem seznámí a díky tomu lépe porozumí fungování nástrojů, které strojové učení využívají. Lépe také pochopí, že výsledné modely (a tím i kvalita jejich výstupů) závisejí na množství a na kvalitě zdrojových dat a kvůli tomu, že jsou založené na pravděpodobnostním modelování a zjednodušování, mohou dávat nepřesné či zcela nesprávné výsledky. S tím se žáci musí naučit vypořádat.
Vyučující postupně vede žáka k tomu, aby:
- připravil trénovací data (sběr, třídění, předzpracování, anotace): zprvu používá již připravená data, poté data samostatně sbírá a základním způsobem je anotuje; třídil nevhodné vzorky a sledoval reprezentativnost,
- rozhodl o použitém nástroji: zprvu podle pokynu učitele, pokud se žák seznámí s různými možnostmi, naučil se také zhodnotit jejich vhodnost pro různé situace a vybírat mezi nimi,
- použil nástroje (natrénování a využití modelu): zprvu podle návodu, posléze samostatně, s využitím dokumentace a pokročilejších možností,
- hodnotil kvalitu modelu: zprvu probíhá základní nahodilá kontrola, později začíná systematicky testovat na vzorcích mimo trénovací data, počítat chybovost, případně rozhoduje o doplnění nebo opakování tréninku (včetně rozhodnutí, jak změnit trénovací data a nastavení učení).
Vazby na další OVU
Úroveň: Na začátku
Popis:
- 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.
Úroveň: Na cestě
Popis:
- 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.
Ilustrace
Zadání pro žáky
Prozkoumejte základní principy strojového učení, zejména trénování modelu, sběr a úpravu dat, anotaci vzorků a vyhodnocení přesnosti modelu. Použijí jednoduchý online nástroj v code.org.
Postup ověřování
Indikátory pro posouzení, zda žák dosáhl očekávaného výsledku učení na této úrovni:
- využívá jednoduché nástroje ukazující postup trénování modelu strojového učení (např. na CODE.org)
- používá již připravená 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
| OVU | Ilustrace-INF-INF-003-ZV9-004.pdf | Stáhnout |
Aktivita se zaměřuje na první kroky při trénování modelu strojového učení. Žáci zkoumají, na jakých principech model pracuje a jak připravit trénovací data. Seznámí se s webovým nástrojem pro tvorbu modelů strojového učení. Na konkrétním příkladu si vyzkouší shromáždit trénovací data (např. obrázky), tato data využijí k natrénování jednoduchého klasifikačního modelu.
Popis ověřování
Učitel sleduje, zda žák:
- Vytvoří v ML4K projekt s alespoň danými kategoriemi a nasbírá dostatečné množství trénovacích dat.
- Úspěšně natrénuje model v ML4K.
- Použije testovací data k ověření funkčnosti modelu a popíše (slovně, písemně nebo pomocí zápisků), jak model fungoval (např. "Psa poznával skoro vždycky, kočku někdy pletl, apod.").
- Zamyslí se nad chybami modelu a navrhne, jak by data nebo trénink upravil pro lepší výsledek.
| INF-09-04-KKC | INF-9-04-KKC.docx | Stáhnout |
Úroveň: Splněno
Popis:
- 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.
Ilustrace
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.
| INF-INF-001-ZV9-004, optimální úroveň | INF-INF-001-ZV9-004.docx | Stáhnout |
Úloha směřuje k tomu, aby žáci v poznávali podobnosti a princip fungování chytrých asistentů, se kterými se setkávají např. ve svých mobilních telefonech. Žáci si sami uvědomují složitost projektu, spolehlivost modelu z pohledu množství správných dat a různorodosti při jejich zadávání (vyjadřovací schopnosti jedinců, jazykové odlišnosti, aj.). Vedou společnou diskusi, kdy zjišťují, jak správně zadávat požadavky, aby předcházeli chybným výsledkům asistentů.
Popis ověřování
Učitel sleduje, zda žák:
- na připravených datech natrénoval model, opíral se přitom o výchozí nastavení a dokumentaci ke zvolenému nástroji (na vyzvání sdělil, zda a jak),
- využíval repertoár běžných výrazových jazykových prostředků, navrhoval a upravoval pokyny pro model,
- model testoval a na základě výsledku testu (procent úspěšnosti) a diskuze se spolužákem-testerem se rozhodl, jak upravit trénovací data (věty, které do systému při trénování vložil) a jak upravit nastavení modelu,
- zhodnotil využitelnost výsledného modelu ve srovnání s jinými přístupy k řešení problému.
| INF-09-04-KKS | INF-9-04-KKS.docx | Stáhnout |
Úroveň: Minimální doporučená úroveň
Popis:
Vyzkouší si práci se modelem strojového učení.
Materiály a inspirace
Materiály do výuky
| Název | Popis |
|---|---|
| Ryba, nebo odpadky? | Zábavný úvod do světa umělé inteligence – natrénujete skutečný model strojového učení, který bude i... |
