Pedagoški okvir i tehnički priručnik v0.10.0 Produkcija

AI za VET: Vodič kroz 9 interaktivnih simulacija mašinskog učenja

Sveobuhvatni vodič za nastavnike i učenike srednjeg stručnog obrazovanja o korišćenju interaktivnih ML simulacija u Moodle-u, razvoju vizuelne intuicije i automatski ocenjivanim zadacima.

🤖 tiny_aisim
TinyMCE dodatak

Ugrađuje kartice sa interaktivnim simulacijama u bilo koju Moodle lekciju, knjigu ili objavu na forumu. Omogućava izbor dataseta, predefinisanih parametara i režima prikaza.

🔬 filter_aisim
HTML5 i Canvas filter

Prikazuje interaktivne simulacije visoke efikasnosti u pregledaču (Canvas, SVG i WebGL) sa promenom parametara u realnom vremenu, animacijama krivih i matricama konfuzije.

🎯 qtype_aisim
Tip pitanja za kviz

Automatski ocenjivani zadaci u kvizu gde učenici podešavaju parametre žive simulacije kako bi model zadovoljio tražene inženjerske kriterijume tačnosti i konvergencije.

1. Pregled 9 osnovnih simulacija mašinskog učenja

Simulacija Naučni i inženjerski koncepti Interaktivni parametri i zadaci
1. Gradijentni spust Funkcija troška J(w), stopa učenja (α), zamah (momentum), brzina konvergencije, divergencija, lokalni minimumi. Podešavajte α od 0.01 (sporo) do 0.85 (divergencija). Posmatrajte kretanje tačke po konveksnoj i nekonveksnoj 3D ravni troška.
2. Matrica konfuzije i prag Verovatnoća pripadnosti klasi P(y=1|x), prag odlučivanja (θ), TP/FP/TN/FN odnosi, preciznost, odziv (Recall), F1 skor. Pomerajte klizač praga odluke. Posmatrajte kako snižavanje praga dramatično poboljšava odziv u medicini i kontroli kvaliteta.
3. Polinomska regresija Složenost modela, preprilagođavanje (overfitting) i podprilagođavanje, L2 Ridge regularizacija (λ). Povećajte stepen polinoma sa 1 na 12 i vidite oscilacije krive. Uvedite kazneni faktor λ da izgladite funkciju.
4. Nelinearne granice odluke k-Najbližih suseda (k-NN), Stabla odlučivanja, dubina stabla, Voronoi particije, regioni odlučivanja. Uporedite k-NN i stablo odlučivanja. Posmatrajte kako se granica menja od glatkih krivih do ortogonalnih ravni.
5. K-Means klasterovanje Nenadgledano učenje, centri klastera (centroidi), Euklidsko rastojanje, Voronoi dijagrami, stabilizacija. Postavite početna jezgra klastera. Koračajte korak po korak i gledajte kako centroidi migriraju ka središtima grupa podataka.
6. Perceptroni i neuronske mreže Linearna razdvojivost (XOR problem), višeslojni perceptron (MLP), skriveni slojevi, ReLU i Sigmoid funkcije aktivacije. Sastavite mrežu za rešavanje kružnih i XOR raspodela. Dodavanjem slojeva posmatrajte savijanje granica odluke.
7. Konvolucije i filtri slike Operacija konvolucije, 3×3 matrice kernela, mape obeležja, detekcija ivica (Sobel filtar), izoštravanje, zamućenje. Izaberite test slike cifara ili industrijskih delova. Primenite filtre i istražite matematički skalarni proizvod po pikselima.
8. Pojačano učenje (Q-Learning) Stanja, Akcije, Nagrade, Bellmanova jednačina, Q-tabela, ε-greedy istraživanje naspram eksploatacije, faktor popusta (γ). Obučite agenta u lavirintu ili opasnoj litici. Gledajte kako se u ćelijama pojavljuju strelice optimalnog smera kretanja.
9. Reprezentativnost i pristrasnost Podela na trening i test skup, skrivena pristrasnost, disproporcija podgrupa u industrijskoj kontroli i medicini. Simulirajte kontrolu kvaliteta sa 95% delova iz Fabrike A i samo 5% iz Fabrike B. Uočite zašto visoka prosečna tačnost laže!

2. Vodič za nastavnike: Ocenjivanje u kvizovima

Kreiranje simulacionih pitanja pomoću qtype_aisim:

Umesto proste reprodukcije teorije, qtype_aisim omogućava postavljanje realnih inženjerskih izazova:

  • Izbor simulacije: Bilo koja od 9 interaktivnih simulacija.
  • Zadati početni uslovi: Početni šumoviti podaci ili neoptimalne težine.
  • Kriterijumi prolaza: Traženi nivo metrike koji model mora dostići (npr. Tačnost ≥ 92%, Broj epoha ≤ 20, Gubitak ≤ 0.05).
  • Tolerancija: Dozvoljeno odstupanje kod stohastičkih procesa.
  • Povratna informacija: Kontekstualni saveti kada model ne uspe da iskonvergira (npr. "Prevelika stopa učenja dovela je do divergencije").

3. Pedagoška metodika za stručno obrazovanje (VET)

Kurikulum Erasmus+ AI for VET projekta stavlja fokus na vizuelnu i iskustvenu intuiciju pre matematičkog formalizma. Kroz neposrednu manipulaciju parametrima, učenici stiču praktične veštine podešavanja modela neophodne u savremenoj industriji i primenjenim tehnologijama.