Как обучать ИИ и машинному обучению школьников среднего школьного возраста
Искусственный интеллект (ИИ) стал революцией за последние несколько лет, и количество разработчиков, аспирантов и даже старшеклассников, изучающих эту область, резко возросло. Возникает фундаментальный вопрос: когда пора начинать изучать ИИ? Мы предположили, что обучение студентов искусственному интеллекту с раннего возраста, особенно в средней школе, — это идеальное время для начала. Проведя этим летом вводный курс по искусственному интеллекту / машинному обучению, мы поняли, что школьники средней школы действительно могут понимать ИИ / машинное обучение, хотя и с некоторыми оговорками.
Давайте установим несколько базовых показателей того, что знает большинство школьников средней школы. Что касается программирования, большинство учеников с шестого по восьмой класс понимают основы кодирования, будь то блочное кодирование, такое как Scratch, или даже настоящий язык, такой как Java. Если повезет, некоторые студенты могут даже знать Python. Пока учащиеся понимают базовые концепции кодирования, такие как циклы и операторы if, они смогут изучить концепции ИИ, поскольку для изучения ИИ на поверхностном уровне не требуются глубокие навыки программирования.
Что касается математики, большинство студентов будут знать основные понятия алгебры, если только они не будут действительно продвинутыми. Большинство студентов понимают координатные плоскости, такие как оси x-y и уклоны, что, безусловно, является хорошим началом. Однако это означает, что научить истинной теории, лежащей в основе таких понятий, как функции потерь и градиентный спуск, невероятно сложно. Вместо этого гораздо лучше объяснить общие темы, не вдаваясь в подробности, и показать, как их реализовать в реальном мире.
Преподавание философии
Самый эффективный способ сохранить вовлеченность молодых студентов — это использовать положительное подкрепление и поощрение, чтобы помочь им почувствовать, что они понимают концепции.
Чтобы познакомить школьников с искусственным интеллектом, необходимо начинать с экстремальных основ. Это начинается с того, что устраняется представление о том, что ИИ — это устрашающие роботы, которые могут действовать полностью независимо. По нашему опыту, большинство студентов сразу же подумали об ИИ как о чем-то из «Мстителей: Эра Альтрона». Нам нужно было развеять их теории, во-первых, точно прояснив, что такое ИИ, и предоставив точные, точные примеры. Мы показали, что ИИ окружает их повсюду, от Amazon Alexa до рекомендаций Netflix, которые помогли им лучше понять, что такое ИИ на самом деле.
Самое главное, чтобы учащиеся оставались заинтересованными, они должны понимать, почему ИИ важен для их обучения. Они должны понимать, что для большинства возможностей трудоустройства в будущем потребуется ИИ, а изучение концепций сейчас даст им преимущество в средней школе и колледже. Кроме того, предоставление некоторых примеров областей, которые переходят на использование ИИ, таких как медицина и экономика, заинтересует студентов с самыми разными интересами.
Искусственный интеллект — это симуляция человеческого интеллекта в машинах, которые запрограммированы думать и действовать как люди.
Чтобы помочь ученикам средней школы понять AI / ML, темы должны определяться очень просто и интуитивно. Мы объяснили, что машины будут учиться на своих собственных результатах и проводить тысячи тестов для улучшения. Вот один отличный пример для учеников средней школы: ИИ — это маленький ребенок, которому снова и снова показывают квадраты и треугольники, пока он не сможет определить между квадратом и треугольником. Это объясняет основную концепцию предоставления данных и меток для модели, на которой можно учиться, в общепринятом виде.
Вместо того, чтобы пытаться отличить ИИ от машинного обучения, гораздо проще просто сказать, что они очень похожи и, по сути, одно и то же. Попытка провести различие между ними только еще больше запутает и без того сбитых с толку школьников. Эта стратегия аналогична обучению детей младшего возраста тому, что 0 — наименьшее число, а затем их обучению существованию отрицательных чисел.
Глубокое обучение против стандартного машинного обучения
Честно говоря, обучение глубокому обучению — не самый эффективный ход. Если начать с основ стандартных алгоритмов машинного обучения, таких как линейная и логистическая регрессия, это поможет учащимся лучше понять концепции, а не быть перегруженными. Если студент изучает алгебру или даже понимает основные линейные уравнения (y = mx + b), он сможет понять, как работает линейная регрессия. Опять же, положительное подкрепление удерживает учащихся в заинтересованности.
Если обучение DL и нейронных сетей необходимо, сделайте его максимально простым. Объясните, что нейронная сеть — это просто функция, как и ƒ (x), где ƒ — сеть, а x — данные. Цель функции — сделать вывод функции максимально близким к реальной метке данных. Во время тренировки уравнение продолжает улучшаться, чтобы всегда получать правильный результат. Это делает глубокое обучение похожим на базовую алгебраическую функцию, что делает его понятным для среднего школьника.
Проекты и проблемы
Опять же, поскольку целевая группа очень молода, основная цель должна заключаться в том, чтобы поддерживать ее вовлеченность и интерес. Без сомнения, проекты — лучший способ сделать это. Реальный опыт кодирования этих проектов имеет решающее значение, чтобы помочь им понять, как все части сочетаются друг с другом.
Это также означает, что проекты должны быть максимально простыми и универсально интересными. Например, очень популярным оказался проект по классификации рака груди; многие студенты считали, что они «лечат рак», что было невероятным мотиватором.
В общем, код, очевидно, будет включать в себя гораздо больше, чем фактическая модель — например, синтаксис и предварительную обработку данных. Помните, что цель здесь — сосредоточиться на реальной модели, а это означает, что многие из этих других частей не имеют отношения к цели обучения студентов ML. Прежде всего, учителя не должны попадаться в ловушку, забывая о реальном машинном обучении, задействованном во время проекта.
Последние мысли
Для учеников средней школы все, что действительно имеет значение, — это помочь им развить интерес. Когда дело доходит до дела, при достаточном энтузиазме каждый может изучить концепции высокого уровня позже в процессе обучения.
Исходя из нашего опыта, мы обнаружили, что обучать ИИ / МО учеников средней школы вполне реально, тем самым закладывая семена вдохновения на ранней стадии. Однако, учитывая их все еще развивающиеся математические навыки и навыки программирования, невероятно важно избежать выгорания. При обучении ИИ школьникам средней школы цель не должна заключаться в том, чтобы заставить их создавать компании или проводить исследования. Хотя может показаться, что они узнают больше в краткосрочной перспективе, такое мышление будет мешать им в долгосрочной перспективе. Цель состоит в том, чтобы вдохновить и заинтересовать следующее поколение в области искусственного интеллекта, а также в том, насколько это весело и важно. Если отпугнуть студентов непомерными сложностями, у них будет меньше шансов заинтересовать их.
В будущем, безусловно, станет больше инженеров по искусственному интеллекту. Чтобы привлечь больше студентов к работе, абсолютно необходимо убедиться, что у них есть прочная фундаментальная база для этих строгих концепций. Для учеников средней школы все, что действительно имеет значение, — это помочь им развить интерес. Когда дело доходит до дела, при достаточном энтузиазме каждый может изучить концепции высокого уровня позже в процессе обучения. Тем не менее, для самых амбициозных учеников развитие интереса и понимания в раннем возрасте, несомненно, будет иметь большое значение.
Чем машинное обучение отличается от школьного образования?
Машинное обучение отличается от школьного образования прежде всего в своей цели и методах обучения.
1. Цель: Школьное образование имеет широкий спектр целей, включая передачу знаний, развитие навыков и формирование культуры мышления. Машинное обучение, напротив, сосредоточено на разработке компьютерных алгоритмов и моделей, которые обучаются на основе данных, чтобы автоматически выполнять задачи без явного программирования.
2. Методы обучения: В школьном образовании применяются различные методы, такие как лекции, чтение, практические упражнения и тестирование. В машинном обучении основным методом является обучение на основе данных. С помощью алгоритмов и статистического анализа обучающих данных модель настраивается на основе определенных критериев, что позволяет ей делать предсказания или принимать решения на основе новых данных.
3. Подход к ошибкам: В школьном образовании ошибки часто рассматриваются как неудачи, которые нужно исправить. В машинном обучении ошибки рассматриваются как неизбежная часть процесса обучения. Они используются для корректировки модели и повышения ее точности и эффективности.
4. Применение: Школьное образование ориентировано на развитие интеллектуальных и социальных навыков, которые могут быть применены в различных сферах жизни. Машинное обучение, в свою очередь, широко используется в области искусственного интеллекта, автоматизации процессов, создания прогнозных моделей и многих других технических областях.
Таким образом, основные отличия между машинным обучением и школьным образованием заключаются в их целях, методах обучения, подходе к ошибкам и областях применения.
Машинное обучение, как я объяснил бы своей бабушке
Машинное обучение достигается, когда «машина», компьютер, способна обучаться новым вещам при наличии набора информации. Отношения между программистом и машиной напоминают отношения между учителем начальных классов и учеником, который еще не умеет читать. Как только учащийся научится успешно читать, он может продолжать изучать все виды вещей самостоятельно, без необходимости, чтобы учитель ему все рассказывал.
Машинное обучение напоминает этот шаг в человеческом образовании: дать машине инструменты для приема информации и ее интерпретации. Окончательный вывод, основанный на наблюдениях машины, по-прежнему остается за людьми, но когда-нибудь это, вероятно, сделают и машины.
Конечно, учащиеся по-прежнему получают пользу от учителей даже после того, как научились собирать информацию самостоятельно. Базового уровня чтения, сбора информации, преподаваемого в начальной школе, недостаточно для чтения учебников уровня колледжа, поэтому учителя помогают учащимся совершенствовать свои навыки в течение многих последующих лет. Точно так же не видно конца и совершенствованию машинного обучения. Машины будут продолжать обучать, совершенствовать и обновлять, чтобы лучше выполнять свою работу и развиваться вместе с людьми.
Цель состоит в том, чтобы машина могла приспосабливаться и улучшаться без прямого человеческого обучения. Машина должна получать информацию, а затем иметь возможность учиться на этой информации без нашей помощи.
В качестве примера, машинное обучение использовалось для ускорения прогресса в улучшении компьютерного зрения, способности компьютера идентифицировать объекты на изображении или видео. Человек собирает сотни тысяч или даже миллионы изображений, а затем команда людей маркирует их. Этикетки сообщат машине, какие изображения содержат помеченный элемент, а какие нет. Приняв все эти метки и изображения, машина попытается пометить изображения самостоятельно. Как только уровень точности машины станет достаточным, машина «научится» идентифицировать объекты, помеченные на картинках.
Чем машинное обучение отличается от традиционного программирования
Большинство современных программистов привыкли создавать последовательность основных инструкций, которые машина использует для получения результата. Однако программисты машинного обучения создают машину, которая должна построить себя, чтобы получить результат. Давайте воспользуемся калькулятором, чтобы визуализировать этот процесс.
Обычный калькулятор машины:
Теперь с машинным обучением:
Методы машинного обучения
Разница между методами машинного обучения заключается в том, как осуществляется обучение или как машина получает обратную связь об обучении.
Двумя наиболее популярными методами машинного обучения являются обучение с учителем и обучение без учителя.
Контролируемое обучение
алгоритмы обучения, основанные на примерах входных и выходных данных, которые помечены людьми. Этот тип машинного обучения в основном следует примеру. Машину учат имитировать вывод, который дают люди, а затем машина пытается предсказать следующий вывод, который человек даст, не спрашивая человека.
Например, предположим, что машине заданы изображения с пометкой птицы и изображения с пометкой небо. После обучения на этих данных алгоритм обучения с учителем должен быть в состоянии идентифицировать непомеченные изображения сокола как «птицв небе». И изображения пустого неба как «нет птицв небе».
Неконтролируемое обучение
обеспечивает алгоритм без помеченных данных, чтобы позволить ему найти структуру в своих входных данных. Без примеров для подражания машина вынуждена самостоятельно находить закономерности и представлять их людям. Это все равно, что сказать «прочитай книгу», а затем написать о ней отчет, чтобы вы могли извлечь уроки из отчета и, следовательно, из мыслей ученика о книге, а не только о том, что в книге.
Этот тип обучения может быть использован для понимания набора данных, слишком большого для того, чтобы человек мог просеивать и находить в нем закономерности.
Примером является определение того, какие приложения используются определенной возрастной группой и географическим положением. Это было бы утомительной задачей для человека, и, честно говоря, человеку, вероятно, потребовалось бы гораздо больше времени, чтобы сделать это точно, чем компьютеру.
Текущий вариант использования этой технологии машинного обучения — в системах рекомендаций, независимо от того, какую серию Netflix выбрать следующей после окончания одной или что купить дальше на Amazon, в зависимости от вашего предыдущего выбора.
Обучение дереву решений
При этом типе машинного обучения машине предоставляется набор организованных данных, которые дают ожидаемый результат. Каждое условие, присутствующее в наборе данных, похоже на ветвь дерева. Пройдя по какой-то ветке до конца, где находится лист, машина достигает своего выхода. Машина запускается с одним условием, и каждое дополнительное условие добавляет к модели ветвь и уровень сложности. При достаточном количестве условий модель напоминает профиль дерева. Это все равно, что попросить кого-то найти потерянный телефон в большом доме со множеством комнат и этажей. После того, как телефон будет найден, отследите, на каком этаже и в какой комнате на этом этаже находился телефон.
В начале машине будет присвоено целевое значение, затем машина будет рекурсивно перемещаться по дереву, то есть неоднократно, пока значение машины не совпадет с тем, которое ей было присвоено.
Глубокое обучение
Это система, в которой небольшие машины работают вместе для получения более точных результатов. Выходные данные первой субмашины передаются в качестве входных данных для следующей субмашины до тех пор, пока на выходе не будет желаемого результата. Процесс может контролироваться, чтобы уточнить классификацию наборов данных, или неконтролируемым, чтобы найти дополнительные закономерности в наборах данных сверхмасштаба. В самом общем виде это работает так же, как люди могут учиться друг у друга, общаясь друг с другом. Чем больше людей согласны с вашим мнением, тем больше шансов, что оно верное.
Глубокое обучение было вдохновлено человеческим мозгом. Искусственные нейронные сети (ИНС) — это алгоритмы, имитирующие биологическую структуру мозга, в которой для обработки информации используется взаимосвязь множества нейронов.
Google Duplex — недавний пример глубокого обучения в форме распознавания речи в сочетании с генерируемой речью без прямых команд от человека к машине.
Языки программирования
Наиболее популярными языками программирования, используемыми в машинном обучении, в порядке убывания являются Python, Java, затем R, затем C++.
Человеческие предубеждения
Машинное обучение все еще далеко от человеческого влияния, даже если оно вообще когда-либо может достичь свободы. Недостатком этого является то, что в некоторых приложениях алгоритмы могут стать предвзятыми. Скажем, компьютер видит только изображения птиц, летящих в небе. Если бы ему затем показали немаркированное изображение птицы, сидящей на дереве, он бы не знал, как его обозначить, он мог бы даже предположить, что птица является частью дерева. Мы знаем, что птицы не всегда летают в небе, потому что наблюдали, как они приземляются на деревья. Это новый уровень информационной сложности, которому нужно научить машину.
Точно так же, поскольку ученые исторически были представлены мужчинами, машина, созданная сегодня с использованием исторической информации, может быть не в состоянии классифицировать ученого как женщину. Именно здесь программисты должны придумать способ использовать предвзятость машины, чтобы иметь возможность проводить различия между объектами, но не исключать изменения в этом объекте с течением времени.
Метод борьбы с этим состоит в том, чтобы разнообразный набор людей взаимодействовал с машиной, обучал ее и тестировал.
Линейная/логистическая регрессия
Подробное обсуждение этого алгоритма требует некоторой математики. По сути, это создание «линии наилучшего соответствия» в, казалось бы, случайном наборе точек на координатной сетке. В то время как эта задача относительно проста для визуального выполнения человеком, возможность перевести ее в код для машины является гораздо более сложной задачей.
Линейная регрессия — это алгоритм обучения с учителем, который предсказывает результат на основе схожих признаков. Линейная регрессия универсальна в том смысле, что ее можно использовать для одной переменной (простая линейная регрессия) или для многих признаков (множественная линейная регрессия). Машина присваивает оптимальные веса переменным, чтобы создать линию (ax + b), которая будет использоваться для прогнозирования следующей точки.
Обычно он используется для прогнозирования того, произойдет событие или нет. Основное различие между логистической и линейной регрессией можно визуализировать следующим образом: исходя из предыдущих условий (работа, погода, время, семейные дела, место отдыха), поеду ли я в отпуск летом этого года? Да или Нет будет определяться логистической регрессией. Исходя из тех же условий, куда я поеду отдыхать в этом году? Это местоположение можно предсказать с помощью линейной регрессии.
Последние мысли
Машинное обучение — это область, которая постоянно обновляется, поэтому его алгоритмы, методы и подходы будут продолжать меняться.
Вот некоторые математические области, которые помогут вам понять более технические концепции машинного обучения:
Основные причины, почему изучение ИИ и машинного обучения важно для образования детей
Важность искусственного интеллекта (ИИ) и машинного обучения (МО) можно увидеть на повседневных примерах, таких как коррекция текста и прогнозирование, которые мы использовали для набора этой статьи, системы защиты от ботов, поисковые системы, чат-боты, личные помощники, продукты. рекомендации и персонализированная реклама. Даже автомобили с автоматическим управлением и метеорологические агентства придают большое значение ИИ и машинному обучению для прогнозирования и предотвращения аварий и стихийных бедствий.
Сегодня образование с помощью ИИ становится все более популярным, позволяя учителям и учебным заведениям анализировать учащихся и адаптировать методы обучения к каждому человеку.
Они также могут помочь повысить эффективность административной работы, позволяя учителям больше сосредоточиться на понимании и гибкости. Мы можем стремиться к лучшим результатам в области ИИ и МО в образовании, сочетая лучшие черты машин и учителей.
Важность изучения ИИ и машинного обучения
Итак, какую роль ИИ и машинное обучение играют в раннем обучении и развитии детей? Давайте рассмотрим некоторые из причин:
Алгоритмы. Концепция алгоритмов позволяет решать проблемы поэтапно. Алгоритмы сообщают компьютерам, как делать такие вещи, как принимать входные данные, обрабатывать и анализировать их, а затем выводить желаемые результаты или даже выносить суждения. Это также помогает детям материализовать такие идеи, как принятие решений (условная логика), выбор, итерация и упорядочивание, которые они делают подсознательно в своей повседневной жизни. Это основы программирования и обучения программированию. CodingHero позволяет детям разрабатывать приложения и игры с использованием предварительно запрограммированных блоков кода, одновременно изучая искусственный интеллект с помощью Курса программирования искусственного интеллекта для детей.
Ориентация на решение. Изучение искусственного интеллекта и машинного обучения помогает детям мыслить творчески, рассуждать и формировать мышление, ориентированное на решение, что крайне важно в любом возрасте. Поскольку маленькие дети обладают большой способностью к обучению, их учат дисциплине, этикету и другим социальным навыкам в раннем возрасте. В результате разумно прививать способности решать проблемы, которые будут развиваться и формироваться с возрастом; это также разжигает амбиции и дает им возможность действовать самостоятельно.
Большие данные. Данные правят сегодняшним миром. Большие данные широко используются и будут продолжать расширяться, а искусственный интеллект и машинное обучение в значительной степени зависят от них. Изучение систем больших данных и того, как они используются в ИИ и машинном обучении, поможет детям освоиться в создании собственных проектов. ИИ не учится сам по себе; ему нужны данные, которые исходят от пользователя. В результате дети узнают, как извлекать, хранить, упорядочивать и анализировать наборы данных, а также как вводить данные в системы.
Возможности. ИИ и машинное обучение будут использоваться гораздо шире в будущем, и они будут интегрированы во многие популярные системы. Вопреки распространенному мнению, это не только не вытеснило бы рабочие места, но и создало бы новые. Раньше люди верили, что компьютеры в конечном итоге заменят людей и что они потеряют работу; тем не менее, посмотрите, где мы находимся сейчас. Будущее уделяет больше внимания автоматизации, искусственному интеллекту и машинному обучению, и это правильно; молодежь уже подготовлена к тому времени, когда они начинают искать работу.
Мораль и человечность. Изучение искусственного интеллекта и машинного обучения заставляет задуматься о морали и человечности. В результате ИИ и машинное обучение не дают вам сложных навыков. Вы должны знать и обучать ИИ этическим и моральным ценностям при его создании. В 1942 году Исаак Ассимов создал три правила робототехники, которые регулируют взаимодействие роботов и людей. Дети могут задаться вопросом, что значит быть человеком, что такое мораль и как управлять моралью для робота, поскольку ИИ развивается в соответствии с ней или даже вопреки ей. Это не сложные темы для понимания молодыми умами; на самом деле они учатся у своего окружения, родителей и других людей. Что обезьяна видит, то обезьяна и делает.
ИИ также будет использоваться в производстве в художественной и творческой индустрии. Программа Google Experiments with Google использует ИИ для различных «экспериментов», таких как создание музыки с помощью голосовых команд, угадывание того, что нарисовано, игра на музыкальных инструментах с вами и даже преобразование речи в рисунки! Это свидетельствует о том, что технологии используются в самых разных областях, и ученикам не нужно делать карьеру разработчика программного обеспечения. Их воображение безгранично, и знакомство детей с искусственным интеллектом и машинным обучением в раннем возрасте только поможет им реализовать свои фантазии.
Поскольку ИИ и машинное обучение становятся настолько широко используемыми, вполне естественно, что следующее поколение будет знакомо с ними и останется актуальным в современном мире. Наши родители часто узнают о современных технологиях от нас; история может повториться, и мы будем учиться у молодого поколения.