3. Технології та засоби аналізу даних

Мета/очікувані результати

❑ Ознайомитися з основними підходами машинного навчання: навчання з вчителем, навчання без вчителя, навчання з підкріпленням.

❑ Дізнатися про найбільш поширені задачі машинного навчання. 

❑ Отримати уявлення, яким чином відбувається навчання моделі. 

Програмовий матеріал

Нові технології та засоби аналізу даних.

Відео

Попередній перегляд (за моделлю перевернутого класу)

Спільний перегляд у класі

Представлення вчителем основних тез

Опрацювання матеріалу як домашнє завдання

Відео з освітнього серіалу “Штучний інтелект для школярів”. 

https://osvita.diia.gov.ua/courses/artificial-intelligence-for-schoolchildren

Нейромережі. Перцептрон та історія нейромереж. Структура нейромереж, алгоритм зворотного поширення помилки, вага нейронів.

https://youtu.be/m5KCdwSlZzQ  

Навчання з вчителем, навчання без вчителя, навчання з підкріпленням. Розмітка даних.

https://youtu.be/P8ZmdY58j0A 

Типи задач з машинним навчанням (регресія, класифікація, ідентифікація, кластеризація, виявлення аномалій).

https://youtu.be/ecjTh84EOp8 

Штучний нейрон як функція.

Хід заняття

Питання для обговорення

Фасилітоване обговорення у спільній чи малих групах

❖ Чим штучний нейрон відрізняється від біологічного? Що у них схоже?

❖ Чому багато нейронів в нейронній мережі краще за один? 

❖ Скільки нейронів використовують в сучасних нейронних мережах?

❖ Чим відрізняється математичний(штучний) нейрон від біологічного?

❖ Чи вийде колись створити штучний мозок?

Практичне завдання

Фасилітоване обговорення у спільній чи малих групах

Завдання 1

Вправа адаптована з Neural Network Game https://raise.mit.edu/daily/neuralNetworks.html#nnGame  

Учні отримують зображення, яке потрібно описати за допомогою 4 слів, записаних на 4 окремих аркушах. Краще, коли зображення буде дещо незвичним і перебачатиме множинні варіанти опису. Наприклад, такі, як наведено нижче.

https://unsplash.com/photos/U5rMrSI7Pn4       https://unsplash.com/photos/rYISpXMfDtM

4 аркуші з першим словом опису переходять до першого учня, у аркуші з другим словом - до другого, з третім - до третього, і з четвертим - до четвертого. Кожен аналізує отримані слова, і передає далі два, які зустрілись найчастіше. Можна скористатись випадковим вибором, якщо всі слова зовсім різні.

Отримавши 8 вхідних слів, утворюємо нову фразу опису, яка складається з комбінації слів, що зустрічались найчастіше. По суті це нагадує роботу нейронної мережі з одним прихованим шаром.

Практична робота учнів з веб-ресурсами

Завдання 2

Зрозуміти, як складність моделі (кількість нейронів та шарів) покращує чи погіршує вирішення задачі. 

1.    Відкрийте посилання https://playground.tensorflow.org/ 

Вхідними даними (характеристиками даних для навчання, Features) є x1 та x2 (вони зображені ліворуч). Далі йде два приховані шари (Hidden Layers) з 4 та 2 нейронів, кожен з яких впливає на якість вирішення задачі класифікації (результат Output показано праворуч).

2.     Не змінюючи стандартних параметрів, розпочніть навчання моделі (кнопка  вгорі ліворуч). Приблизний результат:

Бачимо, що вихідний нейрон розбиває область на дві (синього та помаранчевого кольору). Всі точки, що попадають в синю область будуть класифіковані як +1, в помаранчеву -1. 

3.     Зменшіть кількість прихованих шарів (для цього потрібно натиснути мінус біля 2 Hidden layers), та залиште один нейрон у цьому шарі. Знову розпочніть навчання. Як видно, один нейрон вже не може класифікувати дані правильно. Помаранчеві точки попадають в синю область, а сині - в помаранчеву. 

4.     Змініть тип даних  і перенавчіть нейронну мережу. Тепер відбувається правильна класифікація?

5.     Збільшіть шум Noise у даних  (налаштування внизу ліворуч) та натисніть Regenerate. І знову виконайте навчання. Що змінилося?

6.     Поекспериментуйте, спробуйте вибирати різні типи даних, різну кількість нейронів та прихованих шарів.

Зробіть висновки про те, як відбувається навчання моделі, і як зміна параметрів впливає на зменшення похибки. При використанні у нейронній мережі багатьох нейронів, збільшується кількість параметрів, а отже - “сила” (експресивність) моделі. 

Питання для обговорення

Фасилітоване обговорення у спільній чи малих групах

❖ Чим складніші дані, тим більше треба брати нейронів та шарів. Чи не так?

❖ Як змінюється швидкість навчання в різних варіантах (кількість Epoch)?

❖ Як впливає шум на навчання?

Домашнє завдання

❖ Переглянути відео про те, як програма вчиться паркувати машину https://www.youtube.com/watch?v=VMp6pq6_QjI
Скільки ітерацій треба було для успішної парковки? Чи багато це?

❖ Для наступного уроку потрібно підготувати 3-4 зображення котів та собак (на кожному фото має бути одна тварина). Можна зробити власні фото, або підготувати збірку з вільнопоширюваних джерел.

Питання для самоконтролю

Самооцінювання результатів заняття. Рефлексія

Після цього заняття, я можу/вмію:

❑ Маю уявлення як виглядає штучна нейронна мережа та як вона навчається. 

❑ Знаю, що таке класифікація, регресія та кластеризація. 

❑ Знаю, що таке навчання з учителем, без учителя та з підкріпленням.