Урок цифры

В конце февраля – начале марта 2019 года в школе прошло мероприятие «Урок Цифры», в котором приняли участие ученики 9, 10 классов. Организовали и провели учителя информатики Галицкая И.В. и Лощаков В.В.

Для проведения был выбран альтернативный сценарий урока без использования тренажёра,  построенный по модульному принципу.

В процессе интерактивной беседы проведен анализ наиболее распространенных видов задач, решаемых с помощью машинного обучения:

  • Распознавание образов. Речь шла о введении технологии машинного обучения “с учителем” и “без учителя. Анализ примеров проведен с опорой на жизненный опыт, в частности можно обсудили идею использования системы reCAPTCHA, разработанной в университете Карнеги-Меллон для защиты веб-сайтов от интернет-ботов и одновременной помощи в оцифровке текстов книг.
  • Задачи адаптации. Этот тип задач имеет высокую степень актуальности в робототехнике и автомобилестроении. Был приведен пример разработки беспилотных автомобилей — самоуправляемых машин, роль водителей в которых будет брать на себя искусственный интеллект. Беспилотные автомобили должны снизить, во-первых, уровень инцидентов на дорогах (шанс человеческой ошибки будет снижен до нуля), а во-вторых, избавят от необходимости долго сидеть за рулем, например, дальнобойщиков.
  • Прогнозирование. Уникальность этого типа задач в их масштабировании на различные сферы жизни и деятельности человека. В качестве примера рассмотрели использование технологий машинного обучения в энергетике и банковской сфере.
  • Кластеризация. Рассматривая задачи кластеризации основной акцент сделан на их отличии от задач на классификацию: они не имеют заранее определённых категорий, на которые нужно разделить все данные; категории (кластеры) определяются системой, основываясь на общих признаках данных).

Был сделан вывод:  Технологии машинного обучения прочно проникают  в разные области профессиональной деятельности человека, с их помощью можно решать различные повседневные задачи (включая быт, досуг, образование и т.п.)

Знакомство с понятием “нейронные сети”, общими принципами их работы.

Интерактивная беседа, освещающая спектр вопросов, связанных с тем, ГДЕ применяются технологии машинного обучения, может выступить преамбулой для поиска ответа на другой вопрос: “А КАК это работает?”. Именно поэтому в технологическую карту включен блок “Нейронные сети как инструмент машинного обучения”, задача которого показать, что нейронные сети – это не что иное, как ВЫЧИСЛИТЕЛЬНЫЕ МОДЕЛИ,  работающие по принципу сетей нервных клеток животного организма, с огромным числом параллельных действующих процессов.

На следующем этапе обучающимся было предложено групповое проектировочное задание по  feature-инжинирингу: определение ключевых свойств групп пользователей социальной сети для представления контекстной рекламы и составление  социального портрета “типичных представителей” этой группы.

Для этого необходимо выявить закономерности,  взаимосвязи в данных и предсказать результат по этим входным данным.

В ходе коллективного обсуждения необходимо акцентировать внимание на том, что чем разнообразнее входные данные, тем точнее можно предсказать результат – описать портрет пользователя социальной сети (найти и предложить рекламу потенциальному покупателю).

Проблема: необходимо предложить рекламу палаток, спальных мешков и др. туристического снаряжения (каждая группа выбрала для себя свою рекламу, близкую своим интересам).

Задача: необходимо сформировать набор данных и соответствующих им признаков для целевой группы, заинтересованной в покупке этих товаров. Это могут быть публикации пользователей (выберите ключевые слова, характеризующие определенную группу), какие посты они метят лайками, какие фотографии публикуют, какую музыку слушают, смотрят фильмы и т.п. Воспользовавшись сгенерированным набором признаков, система должна сама определять потенциального покупателя и предъявить ему соответствующую рекламу.

Обсуждение: на этом этапе каждая команда представила свой товар и описала “фичи” (свойства/признаки), той целевой группы, для которой он предназначен. Другие команды провели “независимую экспертизу”, высказали свою точку зрения и оценили качество признаков и, соответственно, степень точности по выбору целевой аудитории для данной группы товаров.

DSC_0713 DSC_0714 DSC_0715 DSC_0716 DSC_0717 DSC_0718

  1. 5
  2. 4
  3. 3
  4. 2
  5. 1
(0 голосов, в среднем: 0 из 5)
Вы можете оставить комментарий, или ссылку на Ваш сайт.

Интересные материалы по теме:

Оставить комментарий

Вы должны быть авторизованы, чтобы разместить комментарий.

Яндекс.Метрика