Saltar ao contido

Inicio › UD3 › 3.5 Datos e modelos3.5 Datos y modelos3.5 Données et modèles3.5 البيانات والنماذج

3.5 · A aprendizaxe automática: datos, axuste do modelo e análise dos resultados

CA3.5CA3.6Táboa de indicadores

Que aprenderás: como se recollen os datos cos que aprende un modelo, como se representa o que aprendeu, e —o máis importante— como se mide se funciona de verdade e de onde veñen os seus erros.

Conxunto de datos. Todos os exemplos cos que se adestra o modelo. Se está mal escollido, o modelo estará mal, por moi bo que sexa o algoritmo.
Mostra. Un exemplo concreto do conxunto: unha gravación de «sacudir», unha foto etiquetada, unha fila da táboa.
Adestramento. O proceso no que o algoritmo busca nos datos os patróns que separan unhas etiquetas doutras.
Precisión. Cantas veces acerta sobre o total de intentos. Non é unha opinión: mídese contando.
Nesgo. Un desequilibrio nos datos que fai que o modelo funcione mellor para uns casos que para outros. Non é un fallo do programa: é un fallo de quen recolleu os datos.
As túas mostrasgravadas na aulaAdestraro modelo busca patrónsProbarcon mostras NOVASModeloPrecisiónacertos ÷ intentosconta os acertosnunca coas mesmas mostras do adestramento
A precisión non é unha opinión: mídese contando. E só conta se se proba con mostras que o modelo non viu adestrando; se se proban as mesmas, o número sae alto e non significa nada.

En detalle

Cando adestras un modelo no micro:bit, o que estás gardando non son vídeos nin xestos: son números do acelerómetro. Cada mostra é unha secuencia de medidas nos tres eixes ao longo dun segundo e pico. O algoritmo mira esas secuencias e busca en que se parecen entre si as que ti etiquetaches igual, e en que se diferencian das outras. Iso é todo o adestramento.

Por iso a calidade do modelo é a calidade dos teus datos. Se gravas dez mostras de «sacudir» todas iguais e moi brandas, o modelo aprenderá esa sacudida, non a sacudida en xeral. Se as tres accións que escolles son parecidas entre si, o modelo confundiraas por moito que adestres.

E aquí está a parte que non se pode saltar: un modelo non se avalía mirándoo, avalíase medíndoo. Dez intentos por acción, apuntar acertos e fallos, e xa tes un número. Despois cambias algo —máis mostras, mostras máis variadas— e volves medir na mesma escala. Comparar antes e despois é o que distingue traballar dun modelo de opinar sobre el.

Cando teñas os números, a pregunta final é a de CA3.6: de onde vén o erro? Hai tres sospeitosos habituais:

Ese último punto é a versión pequena, na túa mesa, do que estudaches na UD2 cos casos de sistemas que funcionaban peor con certos grupos de persoas. Non fixo falta ningunha mala intención: abondou con quen gravou os datos.

🤖E.3-3.4+3.5+3.6 · Adestro o meu modelo · micro:bit CreateAITI

Individual ou parellas · 3 sesións · un micro:bit V2 por posto. Pon nota e cobre CA3.4, CA3.5 e CA3.6.

  1. Abre createai.microbit.org —sen conta, sen rexistro— e conecta o micro:bit.
  2. Grava tres accións distintas con 10 mostras cada unha. Ponlle nome a cada acción.
  3. Adestra e mide. Fai 10 intentos por acción e anota nunha táboa cantos acerta e cantos falla. Esta táboa faila ti: é a evidencia de CA3.5.
  4. Corrixe. Mira cal é a acción que o modelo confunde máis, engádelle mostras novas e volve adestrar.
  5. Mide outra vez igual ca antes e constrúe un gráfico sinxelo de acertos antes e despois. Pode ser de barras, a man ou coa folla de cálculo.
  6. Próbao con outra persoa. Que alguén que non gravou as mostras faga as tres accións. Anota unha liña co que pasou.
  7. Garda o proxecto como ficheiro HEX antes de rematar a sesión.
Garda sempre o HEX. Os proxectos de CreateAI gárdanse só no navegador dese ordenador. Se se limpan os datos do navegador ou cambias de equipo, o traballo desaparece. O HEX é a túa copia.

Que entregas: o ficheiro HEX · a táboa e o gráfico de acertos antes e despois · unha liña sobre o que pasou ao probalo outra persoa.

Criterio de logro: o modelo distingue as tres accións, a táboa e o gráfico están feitos por ti, e identificas polo menos unha fonte de erro ou de nesgo: poucas mostras, movementos parecidos entre si, ou datos gravados sempre pola mesma persoa.
Material: micro:bit V2 · Chrome ou Edge · Bluetooth, ou dous micro:bit enlazados por radio se o Bluetooth está bloqueado. Non require conta ningunha.

Que hai que conseguir: Adestra as tres accións, fai os 10 intentos por acción e enche a táboa de acertos e fallos.

Rutina de pensamento · Escaleira da metacognición. Ao rematar, sobe os catro chanzos por escrito: que fixen · como o fixen · para que me serviu · en que outra situación podo usalo. Este é o texto que mellor demostra CA3.6.
🏆E.3-reserva · Reserva de enriquecemento · Olimpiada robóticaVoluntaria · sen nota

Para quen xa acadou o mínimo da unidade e quere tirar do fío. Voluntaria, en pequeno grupo e de duración aberta. Non conta para a nota e non hai entrega obrigatoria: é ampliación, non traballo extra para subir nota.

Traballa co material de robótica dispoñible na aula, no sentido do banco de actividades de enriquecemento.

3.5 · El aprendizaje automático: datos, ajuste del modelo y análisis de los resultados

CA3.5CA3.6Tabla de indicadores

Qué aprenderás: cómo se recogen los datos con los que aprende un modelo, cómo se representa lo aprendido y —lo más importante— cómo se mide si funciona de verdad y de dónde vienen sus errores.

Conjunto de datos. Todos los ejemplos con los que se entrena el modelo. Si está mal elegido, el modelo estará mal, por muy bueno que sea el algoritmo.
Muestra. Un ejemplo concreto del conjunto: una grabación de «agitar», una foto etiquetada, una fila de la tabla.
Entrenamiento. El proceso en el que el algoritmo busca en los datos los patrones que separan unas etiquetas de otras.
Precisión. Cuántas veces acierta sobre el total de intentos. No es una opinión: se mide contando.
Sesgo. Un desequilibrio en los datos que hace que el modelo funcione mejor para unos casos que para otros. No es un fallo del programa: es un fallo de quien recogió los datos.
Tus muestrasgrabadas en el aulaEntrenarel modelo busca patronesProbarcon muestras NUEVASModeloPrecisiónaciertos ÷ intentoscuenta los aciertosnunca con las mismas muestras del entrenamiento
La precisión no es una opinión: se mide contando. Y solo cuenta si se prueba con muestras que el modelo no vio al entrenar; si se prueban las mismas, el número sale alto y no significa nada.

En detalle

Cuando entrenas un modelo en el micro:bit, lo que estás guardando no son vídeos ni gestos: son números del acelerómetro. Cada muestra es una secuencia de medidas en los tres ejes a lo largo de un segundo y pico. El algoritmo mira esas secuencias y busca en qué se parecen entre sí las que tú etiquetaste igual, y en qué se diferencian de las otras. Eso es todo el entrenamiento.

Por eso la calidad del modelo es la calidad de tus datos. Si grabas diez muestras de «agitar» todas iguales y muy blandas, el modelo aprenderá esa sacudida, no la sacudida en general. Si las tres acciones que eliges son parecidas entre sí, el modelo las confundirá por mucho que entrenes.

Y aquí está la parte que no se puede saltar: un modelo no se evalúa mirándolo, se evalúa midiéndolo. Diez intentos por acción, apuntar aciertos y fallos, y ya tienes un número. Después cambias algo —más muestras, muestras más variadas— y vuelves a medir en la misma escala. Comparar antes y después es lo que distingue trabajar un modelo de opinar sobre él.

Cuando tengas los números, la pregunta final es la de CA3.6: ¿de dónde viene el error? Hay tres sospechosos habituales:

Ese último punto es la versión pequeña, en tu mesa, de lo que estudiaste en la UD2 con los casos de sistemas que funcionaban peor con ciertos grupos de personas. No hizo falta ninguna mala intención: bastó con quién grabó los datos.

🤖E.3-3.4+3.5+3.6 · Entreno mi modelo · micro:bit CreateAITI

Individual o parejas · 3 sesiones · un micro:bit V2 por puesto. Pone nota y cubre CA3.4, CA3.5 y CA3.6.

  1. Abre createai.microbit.org —sin cuenta— y conecta el micro:bit.
  2. Graba tres acciones distintas con 10 muestras cada una.
  3. Entrena y mide: 10 intentos por acción, anotando aciertos y fallos en una tabla. Esa tabla la haces tú: es la evidencia de CA3.5.
  4. Corrige: añade muestras a la acción que más confunde y vuelve a entrenar.
  5. Mide otra vez igual y construye un gráfico sencillo de aciertos antes y después.
  6. Pruébalo con otra persona que no haya grabado las muestras. Anota qué pasó.
  7. Guarda el proyecto como fichero HEX antes de terminar.
Guarda siempre el HEX. Los proyectos de CreateAI se guardan solo en el navegador de ese ordenador. Si se limpian los datos o cambias de equipo, el trabajo desaparece.

Qué entregas: el HEX · la tabla y el gráfico antes/después · una línea sobre lo que pasó al probarlo otra persona.

Criterio de logro: el modelo distingue las tres acciones, la tabla y el gráfico están hechos por ti, e identificas al menos una fuente de error o de sesgo: pocas muestras, movimientos parecidos, o datos grabados siempre por la misma persona.
Material: micro:bit V2 · Chrome o Edge · Bluetooth, o dos micro:bit por radio. No requiere ninguna cuenta.

Qué hay que conseguir: Entrena las tres acciones, haz los 10 intentos por acción y rellena la tabla de aciertos y fallos.

Rutina de pensamiento · Escalera de la metacognición. Al terminar, sube los cuatro peldaños por escrito: qué hice · cómo lo hice · para qué me sirvió · en qué otra situación puedo usarlo. Este es el texto que mejor demuestra CA3.6.
🏆E.3-reserva · Reserva de enriquecimiento · Olimpiada robóticaVoluntaria · sin nota

Para quien ya alcanzó el mínimo de la unidad y quiere tirar del hilo. Voluntaria, en pequeño grupo y de duración abierta. No cuenta para la nota y no hay entrega obligatoria: es ampliación, no trabajo extra para subir nota.

Trabaja con el material de robótica disponible en el aula, en el sentido del banco de actividades de enriquecimiento.

3.5 · L'apprentissage automatique : données, ajustement et analyse des résultats

CA3.5CA3.6Tableau d'indicateurs

Ce que tu vas apprendre : comment se recueillent les données avec lesquelles un modèle apprend, comment se représente ce qu'il a appris, et — le plus important — comment on mesure s'il fonctionne vraiment et d'où viennent ses erreurs.

Jeu de données. Tous les exemples avec lesquels le modèle est entraîné. S'il est mal choisi, le modèle sera mauvais, aussi bon que soit l'algorithme.
Échantillon. Un exemple concret du jeu : un enregistrement de « secouer », une photo étiquetée, une ligne du tableau.
Entraînement. Le processus par lequel l'algorithme cherche dans les données les motifs qui séparent certaines étiquettes des autres.
Précision. Combien de fois il a raison sur le total des essais. Ce n'est pas un avis : cela se mesure en comptant.
Biais. Un déséquilibre des données qui fait mieux marcher le modèle pour certains cas. Ce n'est pas un bug : c'est une faute de celui qui a recueilli les données.
Tes échantillonsenregistrés en classeEntraînerle modèle cherche des motifsTesteravec de NOUVEAUX échantillonsModèlePrécisionréussites ÷ essaiscompte les réussitesjamais avec les échantillons d'entraînement
La précision n'est pas une opinion : elle se mesure en comptant. Et elle ne vaut que si l'on teste avec des échantillons que le modèle n'a pas vus à l'entraînement ; si l'on teste avec les mêmes, le nombre sort élevé et ne signifie rien.

En détail

Quand tu entraînes un modèle sur le micro:bit, ce que tu enregistres, ce ne sont ni des vidéos ni des gestes : ce sont des nombres de l'accéléromètre. Chaque échantillon est une suite de mesures sur les trois axes pendant une seconde et quelques. L'algorithme regarde ces suites et cherche en quoi se ressemblent entre elles celles que tu as étiquetées pareil, et en quoi elles diffèrent des autres. C'est tout l'entraînement.

C'est pourquoi la qualité du modèle est la qualité de tes données. Si tu enregistres dix échantillons de « secouer » tous identiques et très mous, le modèle apprendra cette secousse-là, pas la secousse en général. Si les trois gestes que tu choisis se ressemblent entre eux, le modèle les confondra, quel que soit l'entraînement.

Et voici la partie qu'on ne peut pas sauter : un modèle ne s'évalue pas en le regardant, il s'évalue en le mesurant. Dix essais par geste, noter les réussites et les échecs, et tu as déjà un nombre. Ensuite tu changes quelque chose — plus d'échantillons, des échantillons plus variés — et tu remesures sur la même échelle. Comparer avant et après, c'est ce qui distingue travailler un modèle de donner un avis sur lui.

Quand tu auras les nombres, la question finale est celle du CA3.6 : d'où vient l'erreur ? Il y a trois suspects habituels :

Ce dernier point est la version miniature, sur ta table, de ce que tu as étudié en UD2 avec les cas de systèmes qui fonctionnaient moins bien avec certains groupes de personnes. Aucune mauvaise intention n'a été nécessaire : il a suffi de savoir qui avait enregistré les données.

🤖E.3-3.4+3.5+3.6 · J'entraîne mon modèle · micro:bit CreateAITI

Individuel ou binômes · 3 séances · un micro:bit V2 par poste. Tâche notée : CA3.4, CA3.5, CA3.6.

  1. Ouvre createai.microbit.org — sans compte, sans inscription — et connecte le micro:bit.
  2. Enregistre trois gestes différents avec 10 échantillons chacun. Donne un nom à chaque geste.
  3. Entraîne et mesure. Fais 10 essais par geste et note dans un tableau combien il réussit et combien il rate. Ce tableau, c'est toi qui le fais : c'est la preuve de CA3.5.
  4. Corrige. Regarde quel est le geste que le modèle confond le plus, ajoute-lui de nouveaux échantillons et réentraîne.
  5. Mesure à nouveau de la même façon qu'avant et construis un graphique simple des réussites avant et après. Il peut être en barres, à la main ou avec le tableur.
  6. Fais-le tester par quelqu'un d'autre. Que quelqu'un qui n'a pas enregistré les échantillons fasse les trois gestes. Note une ligne sur ce qui s'est passé.
  7. Sauvegarde le projet en fichier HEX avant de terminer la séance.
Sauvegarde toujours le HEX. Les projets de CreateAI sont enregistrés uniquement dans le navigateur de cet ordinateur. Si les données du navigateur sont effacées ou si tu changes de poste, le travail disparaît. Le HEX est ta copie.

Ce que tu rends : le fichier HEX · le tableau et le graphique des réussites avant et après · une ligne sur ce qui s'est passé quand une autre personne l'a essayé.

Critère de réussite : le modèle distingue les trois gestes, le tableau et le graphique sont faits par toi, et tu identifies au moins une source d'erreur ou de biais : peu d'échantillons, des mouvements qui se ressemblent entre eux, ou des données enregistrées toujours par la même personne.
Matériel : micro:bit V2 · Chrome ou Edge · Bluetooth, ou deux micro:bit reliés par radio si le Bluetooth est bloqué. Ne requiert aucun compte.

Ce qu'il faut réussir : Entraîne les trois gestes, fais les 10 essais par geste et remplis le tableau de réussites et d'échecs.

Routine de pensée · Échelle de la métacognition. Pour finir, monte les quatre marches par écrit : ce que j'ai fait · comment · à quoi cela m'a servi · dans quelle autre situation je peux m'en servir. C'est le texte qui démontre le mieux CA3.6.
🏆E.3-reserva · Réserve d'enrichissement · Olympiade de robotiqueFacultative · sans note

Pour celles et ceux qui ont déjà atteint le minimum de l'unité et veulent aller plus loin. Facultative, en petit groupe et de durée ouverte. Elle ne compte pas pour la note et il n'y a pas de rendu obligatoire : c'est un approfondissement, pas du travail en plus pour gagner des points.

Elle se fait avec le matériel de robotique disponible en classe, dans l'esprit de la banque d'activités d'enrichissement.

3.5 · التعلّم الآلي: البيانات وضبط النموذج وتحليل النتائج

CA3.5CA3.6جدول المؤشرات

ما ستتعلّمه: كيف تُجمع البيانات التي يتعلّم منها النموذج، وكيف يُمثَّل ما تعلّمه، والأهمّ: كيف يُقاس ما إذا كان يعمل حقًّا، ومن أين تأتي أخطاؤه.

مجموعة البيانات. كل الأمثلة التي يُدرَّب بها النموذج. إن أُسيء اختيارها ساء النموذج، مهما كانت الخوارزمية جيدة.
العيّنة. مثال محدّد من المجموعة: تسجيل لـ«الهزّ»، صورة موسومة، صفّ من الجدول.
التدريب. العملية التي تبحث فيها الخوارزمية في البيانات عن الأنماط التي تفصل تسميات عن أخرى.
الدقّة. كم مرّة يصيب من مجموع المحاولات. ليست رأيًا: تُقاس بالعدّ.
التحيّز. اختلال في البيانات يجعل النموذج أفضل لحالات دون أخرى. ليس خللًا في البرنامج بل في من جمع البيانات.
عيّناتكمسجَّلة في الصفالتدريبالنموذج يبحث عن أنماطالاختباربعيّنات جديدةالنموذجالدقّةالإصابات ÷ المحاولاتعُدّ الإصاباتأبدًا بالعيّنات نفسها المستخدمة في التدريب
الدقّة ليست رأيًا، بل تُقاس بالعدّ. ولا قيمة لها إلا إذا اختُبر النموذج بعيّنات لم يرَها أثناء التدريب؛ فإن اختُبر بالعيّنات نفسها خرج الرقم عاليًا ولم يعنِ شيئًا.

بالتفصيل

حين تدرّب نموذجًا على micro:bit، فإن ما تحفظه ليس فيديوهات ولا حركات: إنها أرقام من مقياس التسارع. كل عيّنة سلسلة من القياسات على المحاور الثلاثة على امتداد ثانية ونيّف. تنظر الخوارزمية في تلك السلاسل وتبحث عن أوجه الشبه بين ما وسمته أنت بالتسمية نفسها، وعن أوجه اختلافها عن غيرها. هذا هو التدريب كله.

ولذلك جودة النموذج هي جودة بياناتك. إن سجّلت عشر عيّنات لـ«الهزّ» كلها متماثلة وخفيفة جدًا، فسيتعلّم النموذج تلك الهزّة، لا الهزّ عمومًا. وإن كانت الحركات الثلاث التي تختارها متشابهة فيما بينها، فسيخلط بينها مهما درّبت.

وهنا يأتي الجزء الذي لا يمكن تخطّيه: النموذج لا يُقيَّم بالنظر إليه، بل يُقيَّم بقياسه. عشر محاولات لكل حركة، وتدوين الإصابات والأخطاء، فيكون لديك رقم. ثم تغيّر شيئًا — عيّنات أكثر، عيّنات أكثر تنوّعًا — وتعيد القياس على المقياس نفسه. والمقارنة بين قبلُ وبعدُ هي ما يميّز العمل على نموذج عن إبداء الرأي فيه.

وحين تحصل على الأرقام، يصبح السؤال الأخير هو سؤال CA3.6: من أين يأتي الخطأ؟ هناك ثلاثة مشتبهين معتادين:

هذه النقطة الأخيرة هي النسخة المصغّرة، على طاولتك، لما درسته في الوحدة 2 من حالات أنظمة كانت تعمل بشكل أسوأ مع فئات معيّنة من الناس. لم تلزم أي نيّة سيئة: كفى أن نعرف من سجّل البيانات.

🤖E.3-3.4+3.5+3.6 · أدرّب نموذجي · micro:bit CreateAITI

فردي أو ثنائي · ثلاث حصص · micro:bit V2 لكل مقعد. مهمّة بدرجة وتغطّي CA3.4 وCA3.5 وCA3.6.

  1. افتح createai.microbit.org — بلا حساب وبلا تسجيل — واربط جهاز micro:bit.
  2. سجّل ثلاث حركات مختلفة بـ10 عيّنات لكل واحدة. وسمِّ كل حركة باسم.
  3. درّب وقِس. أجرِ 10 محاولات لكل حركة ودوّن في جدول كم أصاب وكم أخطأ. هذا الجدول تصنعه أنت: وهو دليل CA3.5.
  4. صحّح. انظر أي حركة يخلط بينها النموذج أكثر من غيرها، وأضف إليها عيّنات جديدة ثم أعد التدريب.
  5. قِس مرة أخرى بالطريقة نفسها التي قِست بها من قبل، وابنِ رسمًا بيانيًا بسيطًا للإصابات قبل وبعد. ويمكن أن يكون بالأعمدة، بخطّ اليد أو بجدول البيانات.
  6. جرّبه مع شخص آخر. ليؤدِّ شخص لم يسجّل العيّنات الحركات الثلاث. ودوّن سطرًا عمّا حدث.
  7. احفظ المشروع كملف HEX قبل أن تنتهي الحصّة.
احفظ HEX دائمًا. مشاريع CreateAI تُحفظ في متصفّح ذلك الحاسوب فقط. فإن مُسحت بيانات المتصفّح أو غيّرت الجهاز، ضاع العمل. وملف HEX هو نسختك.

ما تسلّمه: ملف HEX · جدول ورسم الإصابات قبل وبعد · سطر عمّا حدث حين جرّبه شخص آخر.

معيار الإنجاز: يميّز النموذج الحركات الثلاث، والجدول والرسم من صنعك أنت، وتحدّد مصدر خطأ أو تحيّز واحدًا على الأقل: قلّة العيّنات، أو حركات متشابهة فيما بينها، أو بيانات سجّلها دائمًا الشخص نفسه.
المواد: micro:bit V2 · Chrome أو Edge · بلوتوث، أو جهازا micro:bit مرتبطان بالراديو إذا كان البلوتوث محجوبًا. لا يتطلّب أي حساب.

المطلوب إنجازه: درّب الحركات الثلاث، وأجرِ 10 محاولات لكل حركة، واملأ جدول الإصابات والأخطاء.

روتين تفكير · سُلّم ما وراء المعرفة. في الختام اصعد الدرجات الأربع كتابةً: ماذا فعلتُ · كيف فعلته · فيمَ أفادني · في أي موقف آخر أستعمله. هذا هو النصّ الذي يُثبت CA3.6 على أفضل وجه.
🏆E.3-reserva · نشاط إثرائي احتياطي · أولمبياد الروبوتاتاختياري · بلا درجة

لمن بلغ الحد الأدنى للوحدة ويرغب في التوسّع. اختياري، في مجموعة صغيرة، ومدّته مفتوحة. لا يُحتسب في الدرجة ولا يوجد تسليم إلزامي: هو توسيع، وليس عملًا إضافيًا لرفع الدرجة.

يُنجَز بعتاد الروبوتات المتاح في الصف، على نهج بنك الأنشطة الإثرائية.

← Anterior← Anterior← Précédentالسابق →
3.4 · Algoritmos3.4 · Algoritmos3.4 · Algorithmes3.4 · الخوارزميات
Volver á guía →Volver a la guía →Retour au guide →← العودة إلى الدليل
UD3UD3UD3الوحدة 3