Курс
ИИ: теория и методика обучения в основной и старшей школе
Курс повышения квалификации «Искусственный интеллект: теория и методика обучения в основной и старшей школе», общей трудоемкостью 72 академических часа.
Программа обучения разработана и реализуется при участии экспертов Академии искусственного интеллекта для школьников и экспертов Deep Learning School, одного из проектов ФПМИ для школьников в области искусственного интеллекта и машинного обучения.
Что изучим на курсе
Модуль
Введение в искусственный интеллект
Модуль
Машинное обучение и методика формирования основных понятий
Модуль
Нейронные сети и методика формирования основных понятий
Модуль
Основы языка программирования Python
Модуль
Аналитика данных на Python
Модуль
Введение в машинное обучение
Модуль
Алгоритмы машинного обучения
Модуль
Введение в нейронные сети
Модуль
Сверточные нейронные сети
Модуль
Обработка естественного языка
Путь в ИИ
Начните преподавать ИИ в основной и старшей школе
Программа
курса
Введение в искусственный интеллект
Машинное обучение и методика формирования основных понятий
Нейронные сети и методика формирования основных понятий
Основы языка программирования
Аналитика данных на Python
Введение в машинное обучение
Алгоритмы машинного обучения
Введение в нейронные сети
Сверточные нейронные сети
Обработка естественного языка
Введение в искусственный интеллект
В этом блоке мы поговорим о концептуальных основах искусственного интеллекта и методике преподавания анализа данных и искусственного интеллекта в школе. Мы дадим обзор направлений искусственного интеллекта, а также обсудим этические и социальные вопросы, связанные с искусственным интеллектом.
Структура раздела
1
Концептуальные основы обучения искусственному интеллекту в основной школе
2
Основные понятия и определения курса
3
Компьютерное зрение: история развития и области применения
4
Распознавание визуальных образов
5
Обработка естественного языка
6
Введение и развитие понятий «Искусственный интеллект» и «Интеллектуальные системы»
7
Перспективы развития искусственного интеллекта
Машинное обучение и методика формирования основных понятий
Модуль предназначен для внедрения в школьную программу по информатике в средней школе (7-9 классы). Мы обсудим основные понятия машинного обучения, особое внимание уделив данным как топливу для построения моделей искусственного интеллекта. Мы изучим базовые этапы работы с данными и научимся проводить простейшие операции с данными с использованием электронных таблиц.
Структура раздела
1
Введение в анализ данных
2
Виды данных в машинном обучении
3
Решение задачи машинного обучения
4
Зависимости в данных. Постановка задачи машинного обучения и линейные модели
5
Поиск зависимостей в данных в Excel
6
Методические особенности урочной и внеурочной деятельности по теме
Нейронные сети и методика формирования основных понятий
Модуль предназначен для внедрения в школьную программу по информатике в средней школе (7-9 классы). Мы обсудим нейронные сети как основной двигатель современного искусственного интеллекта, поговорим о применениях нейронных сетей, введём понятие нейрона и нейронной сети и проведем эксперименты с помощью интерактивной среды для демонстрации возможностей нейросетей.
Структура раздела
1
Понятие нейросети
2
Многослойный перцептрон
3
Рассмотрение платформы для построения нейросетей
4
Принцип обучения нейронных сетей
5
Практика обучения и подбор параметров нейросетей
6
Методические особенности урочной и внеурочной деятельности по теме
Основы языка программирования
Данный модуль посвящен введению в язык Python. Это один из самых востребованных языков сегодня.
Структура раздела
1
Введение в язык программирования Python
2
Знакомство с функциями
3
Аргументы функций
4
Типы данных
5
Математические операторы
6
Логические выражения
7
Условный оператор
8
Логические операции
9
Каскадный и условный оператор
10
Циклы и их строки
11
Цикл while
12
Цикл for
13
Списки
14
Применение списков в реальных задачах
15
Словари
16
Введение в функции
17
Локальные и глобальные перемены
18
Анонимные функции
19
Методические особенности урочной и внеурочной деятельности по теме
Аналитика данных на Python
Вторым этапом изучения Python для анализа данных является переход к изучению библиотек для работы с данными.
Структура раздела
1
Необходимость визуализации данных для анализа
2
Знакомство с библиотекой Pandas
3
Matplotlib - главный помощник Pandas
4
Получение общей информации о данных
5
Индексация по условиям и изменение данных в таблицах
6
Визуализация данных
7
Введение в библиотеку Numpy
8
Слайсинг и многомерные массивы
9
Методические особенности урочной и внеурочной деятельности
Введение в машинное обучение
В этом блоке мы подробно рассказываем о машинном обучении как об основном методе современного искусственного интеллекта.
Структура раздела
1
Машинное обучение вокруг нас
2
Основные понятия и задачи машинного обучения
3
Проблема переобучения и критерии качества
4
Алгоритм k ближайших соседей
5
Пайплайн машинного обучения
6
Знакомство с библиотекой sklearn и обучение KNN
7
Решение прикладной задачи машинного обучения
8
Методические особенности в урочной и внеурочной деятельности по теме
Алгоритмы машинного обучения
В данном модуле мы изучим основные алгоритмы машинного обучения: метод k ближайших соседей, линейные алгоритмы, а также решающие деревья и композиции алгоритмов. Каждый из этих алгоритмов предназначен для решения различных задач машинного обучения и обладает своими преимуществами и недостатками, которые мы также обсудим в этом блоке.
Структура раздела
1
Постановка задачи линейной регрессии
2
Обучение линейной регрессии
3
Решение прикладной задачи с помощью линейной регрессии
4
Постановка задачи линейной классификации
5
Логистическая функция потерь
6
Устройство и обучение решающих деревьев
7
Анализ решающих деревьев
8
Композиции алгоритмов. Бэггинг и случайный лес
9
Методические особенности в урочной и внеурочной деятельности по теме
Введение в нейронные сети
В модуле разбираем нейронные сети, при этом поднимаем гораздо более сложные вопросы, касающиеся устройства нейронных сетей. Кроме того, большое значение отдаётся практике нейронных сетей с использованием библиотеки Pytorch — одной из наиболее распространенных профессиональных библиотек для построения нейросетей, которая, тем не менее, подходит для изучения сильными школьниками.
Структура раздела
1
История развития нейронных сетей
2
Один нейрон и полносвязная нейронная сеть
3
Обучение полносвязных нейронных сетей
4
Введение в библиотеку Pytorch
5
Практика построения нейронной сети
6
Методические особенности в урочной и внеурочной деятельности по теме
Сверточные нейронные сети
Модуль посвящён, в первую очередь, применениям нейросетей в компьютерном зрении для задачи классификации изображений.
Структура раздела
1
История развития компьютерного зрения
2
Идея работы свёрточных нейронных сетей
3
Операция свёртки
4
Сверточная нейросеть
5
Интепретация свёрточных слоев
6
Операция pooling
7
Операция pooling, padding
8
Загрузка данных и построение нейросети
9
Обучение нейросети
10
Методические особенности в урочной и внеурочной деятельности по теме
Обработка естественного языка
В модуле изучим как классические, так и нейросетевые методы работы с текстами. Подробнее об этих областях вы узнаете далее в этом модуле.
Структура раздела
1
Введение в обработку естественного языка. Задачи NLP
2
Векторные представления слов
3
Алгоритм Word2Vec и векторная арифметика
4
Введение в классификацию текстов
5
Рекуррентные нейронные сети для классификации текстов
6
Предобработка текстов
7
Классификация текстов
8
Рекуррентные нейронные сети
9
Методические особенности в урочной и внеурочной деятельности по теме
Частые
вопросы
Какой объем и продолжительность курса?
Курс состоит из 72 академических часов и рекомендован для прохождения в течение 3 месяцев.
Кому подойдет данный курс?
Вам подойдет данный курс, если:
- Вы учитель общеобразовательной или профильной школы, преподаватель дополнительного образования
- Вы заинтересованы в проведении занятий по основам ИИ и МО и готовы использовать для этого материалы курса
- У вас есть знания в области информатики/ математики/ программирования
В каком классе я смогу преподавать после прохождения курса
Первые 3 модуля рассчитаны на обучающихся основной школы, остальные модули рекомендуется рассматривать с обучающимся старшей школы.
Организатор проекта: Благотворительный фонд «Вклад в будущее», ОГРН 1157700017518
Академия искусственного интеллекта для школьников не является образовательной услугой, подлежащей лицензированию, и не предполагает выдачу сертификата государственного образца
Есть вопросы и предложения?
Для учеников, родителей и преподавателей
Пресса
