Jarduera hauek guztiak zure nabigatzailean exekutatzen dira eta ez dute erregistrorik behar. Esperimentatzeko espazio bat dira: probatu, huts egin, berriz saiatu eta azalpenarekin lotu ikasitakoa.
Datuak etiketatzen ikasi
Machine learning-en oinarrietako bat da adibideak kategoriatan sailkatzea. Eredu batek milioika adibide ikus ditzake; hemen ideia hori ulertzeko bertsio txiki eta bisual bat probatuko duzu.
Helburu didaktikoak
- Ulertzea zer den datuak etiketatzea eta zergatik behar den.
- Ikustea nola ikasten duen eredu batek adibideetatik.
- Pentsatzea zer gertatzen den datu gutxi, oker edo nahasgarriak daudenean.
Nola jokatu: Sailkatu pantailan agertuko diren adibideak dagokien kategoriatan. Amaieran ikusiko duzu zergatik den hain garrantzitsua etiketak ondo jartzea.
Lotura ikasgaiekin: jarduera honek bereziki lotzen ditu Nola ikasten dute makinek? eta Nola ikusten dute makinek? moduluak.
Prompt laborategia
Prompt zehatz batek normalean emaitza erabilgarriagoa ematen du. Hemen zure promptak bost irizpiderekin aztertuko dituzu: helburua, testuingurua, formatua, mugak eta argitasuna.
Helburu didaktikoak
- Prompt on baten osagai nagusiak identifikatzea.
- Prompt lauso eta zehatz baten arteko aldea ikustea.
- Iterazioa praktikan jartzea: idatzi, aztertu, hobetu eta berriz probatu.
Nola jokatu: aukeratu adibide bat edo idatzi zure prompt propioa. Sistemak irizpideen arabera baloratuko du eta hobekuntza aholkuak emango dizkizu.
Aholkua: lehen promptaren emaitza ikusi ondoren, hobetu eta berriz probatu. Iterazioa da prompt diseinuaren gakoa.
Lotura ikasgaiekin: jarduera hau zuzenean lotuta dago Nola ulertzen dute hizkuntza? eta Nola idatzi prompt onak? moduluekin.
Alborapen simulagailua
Eredu batek bi talderen inguruan ikasten badu baina talde baten adibide gehiago baditu, emaitzak desorekatuak izan daitezke. Hemen ikusiko duzu nola eragiten duen datu banaketak sistemaren zehaztasunean.
Helburu didaktikoak
- Ulertzea datuen desoreka nola islatzen den emaitzetan.
- Adibide errealak gogoratzea: aurpegi-ezagutza, kontratazio algoritmoak eta antzekoak.
- Pentsatzea zer egin daitekeen alborapena murrizteko.
Nola funtzionatzen du: mugitu graduatzaileak bi talderen arteko adibide kopurua aldatzeko. Gero sakatu Simulatu emaitza eta ikusi nola eragiten duen desorekak.
Probatu hau: hasi 50-50 inguruan, gero eraman banaketa 90-10 egoerara eta konparatu emaitzak.
Lotura ikasgaiekin: jarduera hau bereziki lotuta dago Nola ikasten dute makinek? eta Arriskuak eta erabilera arduratsua moduluekin.
Egia ala fikzioa?
AAk informazio sinesgarria baina faltsua sor dezake; horri askotan haluzinazioa deitzen zaio. Hemen hainbat baieztapen ikusiko dituzu eta zuk erabaki beharko duzu zein diren egiazkoak eta zein asmatuak.
Helburu didaktikoak
- AAren haluzinazioak identifikatzen ikastea.
- Pentsamendu kritikoa praktikatzea.
- Ulertzea zergatik diren tonu segurua eta datu zehatzak batzuetan engainagarriak.
Nola jokatu: baieztapen bakoitzean aukeratu egia den ala faltsua den. Emaitza ikustean, irakurri azalpena eta pentsatu zein arrasto izan diren lagungarri.
Pista: zenbaki oso zehatzak edo tonu oso segurua ez dira nahitaez egiazkotasunaren froga.
Lotura ikasgaiekin: jarduera hau lotuta dago Nola ulertzen dute hizkuntza?, Eredu generatiboak eta Arriskuak eta erabilera arduratsua moduluekin.
Ikusi AA barrutik
Gure simulazioek oinarrizko ideiak azaltzen dituzte; atal honetan, kanpoko tresna interaktibo batzuk aurkituko dituzu, sare neuronalek, konboluzioek eta machine learning ereduek barrutik zer egiten duten hobeto ikusteko.
Zergatik da baliagarria?
- Makinek ez dutela guk bezala ikusten ulertzen laguntzen du.
- Geruzaz geruza zer gertatzen den bisualki erakusten du.
- Parametroak aldatzean zer ondorio dagoen ikusten da denbora errealean.
Adam Harley · CNN Visualization
Geruzaz geruza ikusteko nola pasatzen den informazioa sare konboluzional batean.
Feature map-ak, irudiaren eraldaketak eta geruza bakoitzean nabarmentzen den informazioa.
Nola pasatzen da irudi bat pixel-multzo soil batetik patroi konplexuagoak antzematera?
CNN Explainer
Konboluzioa, pooling-a eta aktivazio-funtzioak modu didaktiko eta interaktiboan azaltzen dituen tresna.
CNN baten pauso nagusiak, animazioekin eta azalpen progresiboekin.
Zer egiten du benetan konboluzioak eta zergatik erabiltzen da hainbeste irudietan?
ML Visualizer
Machine learning algoritmo desberdinak parametroekin esperimentatuz ulertzeko ingurune bisuala.
Linear regression, decision boundary-ak, neural networks eta CNN moduluak denbora errealean.
Zer aldatzen da parametro bat ukitzen dudanean, eta nola moldatzen da eredua datuetara?
CNN Playground
Irudiak igo, zifrak marraztu eta sareak zer antzematen duen ikusteko ingurune esperimentala.
Predikzioak, detekzioa eta arreta-bistaratzeak, sareak non begiratzen duen ulertzeko.
Irudi baten zein zatik eramaten dute eredua erantzun jakin batera?
Erabilera gomendioa ikasgelan: ez utzi tresnak esteka huts gisa. Eman ikasleei behaketa-zeregin txiki bat: azaldu zer aldatu den geruza batetik bestera, ikusi zer gertatzen den parametroak mugitzean, edo azaldu zergatik ez duen makinak gizaki batek bezala ikusten.
Proiektuak: sortu zure ML ereduak
Ikasgaietan ikasitakoa praktikan jartzeko modurik onena zure ikasketa automatikoko ereduak sortzea da. Bi tresna erratz eta doan hauek erabiliz, ikasleek ereduak entrenatu, probatu eta ebaluatu ditzakete programaziorik jakin gabe.
Helburu didaktikoak
- Ikasketa automatikoko zikloa praktikan bizitzea: datuak bildu, eredua entrenatu, probatu eta hobetu.
- Entrenamendu-datuen kalitatearen eta kantitatearen garrantzia esperimentatzea.
- Sailkapen-eredu baten mugak eta akatsak zuzenean ikustea.
- Talde-lana eta proiektu txikien aurkezpena praktikatzea.
LearningML.org — Testu, irudi eta zenbakiekin ikasi
LearningML ikasketa automatikoa irakasteko diseinatutako plataforma da (10-18 urte). Ikasleek testu, irudi edo zenbakiekin entrenamendu-datuak ematen dituzte, eredua entrenatzen dute eta gero probatzen dute. Erregistrorik gabe erabil daiteke.
Sentimenduen sailkatzailea
Iruzkin positiboak eta negatiboak bereizten dituen eredu bat entrenatu.
Sortu bi kategoria (positiboa / negatiboa). Idatzi 10-15 adibide kategoria bakoitzeko (filmei, janariari edo musikari buruzko iruzkinak). Entrenatu eta probatu esaldi berriekin.
Zer gertatzen da ironia edo esaldi anbiguoak probatzen dituzunean? Zergatik huts egiten du batzuetan?
Spam detektagailua
Mezu normalak eta spam mezuak bereizten dituen eredu bat sortu.
Sortu bi kategoria: "normala" eta "spam". Eman adibideak: mezu arruntak alde batetik, eta publizitate/iruzur mezuak bestetik. Probatu muga-kasuak.
Zer hitz edo patroietan oinarritzen da eredua? Zer gertatzen da spam itxura duen baina ez den mezu bat sartzen badugu?
Gai-sailkatzailea
Testuak gai desberdinetan automatikoki sailkatzeko eredu bat sortu.
Hautatu 3-4 gai (kirola, zientzia, musika, teknologia). Eman gai bakoitzeko 10-15 esaldi laburren adibideak. Entrenatu eta probatu berri-titularrekin.
Zer gertatzen da gai bati adibide gutxiago ematen badizkiogu? Alborapena sortu al da?
Hizkuntza detektagailua
Euskara, gaztelania eta ingelesa bereizten dituen eredu bat entrenatu.
Sortu 3 kategoria (euskara, gaztelania, ingelesa). Eman hizkuntza bakoitzeko esaldi desberdinak. Probatu hitz bakanekin edo hizkuntza nahasiekin.
Zer gertatzen da esaldi oso labur batekin? Eta bi hizkuntzak nahasten dituen esaldi batekin?
Google Teachable Machine — Irudi, soinu eta gorputzarekin ikasi
Teachable Machine Google-ren tresna doako bat da, nabigatzailean bertan irudi, soinu edo gorputz-jarrera ereduak entrenatzeko webcam edo mikrofonoa erabiliz. Oso bisuala eta berehalakoa: entrenatu eta emaitza segundotan ikusi.
Objektu sailkatzailea
Webcamarekin objektu desberdinak ezagutzen dituen eredu bat entrenatu.
Sortu 3-4 klase (adibidez: boligrafoa, guraizeak, mugikorra, giltza). Klase bakoitzeko 30-50 argazki atera webcamarekin angelu desberdinetatik. Entrenatu eta probatu denbora errealean.
Zer gertatzen da argia aldatzen bada? Eta ereduak inoiz ikusi ez duen objektu bat jartzen badiogu?
Keinu ezagutzailea
Eskuko keinuak (ados, atzera, gelditu...) identifikatzen dituen eredu bat sortu.
Definitu 3-5 keinu (adibidez: erpurua gora, eskua irekia, ukabila, adio-keinua). Grabatu keinu bakoitza pertsona desberdinekin zehaztasuna hobetzeko.
Pertsona berri batekin probatzean, zein ondo funtzionatzen du? Zer erakusten digu horrek entrenamenduko aniztasunari buruz?
Soinu sailkatzailea
Soinu desberdinak bereizten dituen eredu bat entrenatu mikrofonoarekin.
Sortu kategoriak: txaloak, txistuak, mahai-kolpeak, isiltasuna. Grabatu soinu bakoitzaren 20-30 lagin. Entrenatu eta probatu denbora errealean.
Nola eragiten du inguruko zarataak? Zergatik da garrantzitsua "isiltasuna" klase gisa sartzea?
Gorputz-jarrera detektagailua
Gorputz-jarrera desberdinak (eserita, zutik, besoak altxatuta...) ezagutzen dituen eredua.
Hautatu 3-4 jarrera (zutik, eserita, besoak altxatuta, makurtuta). Grabatu jarrera bakoitza 20-30 aldiz. Entrenatu eta probatu ikaskideekin.
Nola eragiten du arroparen koloreak edo atzeko planoak? Zer aplikazio errealak ikusten dituzu (kirola, osasuna, segurtasuna)?
Proiektuen metodologia: ikasleek taldeka (2-3 pertsona) lan egin dezakete. Proiektu bakoitzak 4 fase izan behar ditu: (1) Helburua definitu, (2) Datuak bildu eta etiketatu, (3) Eredua entrenatu eta probatu, (4) Emaitzak aurkeztu eta mugak azaldu. Azken fasean, ikaskideei aurkeztea gomendatzen da.
Ikasgaiekin lotura: proiektu hauek zuzenean lotzen dituzte Nola ikasten dute makinek? (datuak eta entrenamendua), Nola ikusten dute makinek? (ikusmen artifiziala) eta Etika, pribatutasuna eta alborapena (datuen kalitateak eta aniztasunak emaitzetan duen eragina) moduluak.