ГлавнаяПедагогамОнлайн-курсыИИ: теория и методика обучения в основной и старшей школе
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
Наши соцсети
Есть вопросы и предложения?
Обратиться
Для учеников, родителей и преподавателей
@ @
Мы используем cookie-файлы для удобства пользователей и улучшения работы сайта, а также заботимся о защите персональных данных наших пользователей. Продолжая работу с сайтом, вы соглашаетесь с Условиями пользования сайтом.
Согласен