Gladni blokovi
AI pre OVP: Sprievodca 9 interaktívnymi simuláciami strojového učenia
Komplexný sprievodca pre učiteľov a žiakov stredných odborných škôl o využití interaktívnych ML simulácií v Moodle, budovaní vizuálnej intuície a automaticky hodnotených úlohách.
Vkladá karty s interaktívnymi simuláciami do ľubovoľnej stránky kurzu, knihy alebo príspevku vo fóre. Umožňuje výber dátovej množiny, predvolieb a režimov zobrazenia.
Vykresľuje vysoko výkonné interaktívne simulácie v prehliadači (Canvas, SVG a WebGL) s ladením parametrov v reálnom čase, animáciami kriviek a maticami zámen.
Automaticky hodnotené testové úlohy, v ktorých žiaci nastavujú parametre živej simulácie tak, aby splnili požadované inžinierske kritériá konvergencie a presnosti.
1. Prehľad 9 základných simulácií strojového učenia
| Simulácia | Vedecké a inžinierske koncepty | Interaktívne hyperparametre a úlohy |
|---|---|---|
| 1. Gradientný zostup | Nákladová funkcia J(w), rýchlosť učenia (α), zotrvačnosť (momentum), rýchlosť konvergencie, divergencia, lokálne minimá. | Nastavujte α od 0,01 (pomalé) do 0,85 (divergencia). Pozorujte pohyb bodu po konvexnej a nekonvexnej 3D ploche nákladov. |
| 2. Matica zámen a prah | Pravdepodobnosť triedy P(y=1|x), rozhodovací prah (θ), TP/FP/TN/FN vzťahy, Presnosť (Precision), Citlivosť (Recall), F1-skóre. | Posúvajte prah rozhodovania. Sledujte, ako zníženie prahu dramaticky zvyšuje citlivosť pri lekárskych testoch a kontrole kvality. |
| 3. Polynomiálna regresia | Zložitosť modelu, podučenie a preučenie (overfitting), L2 Ridge regularizácia (λ). | Zvýšte stupeň polynómu od 1 po 12 a sledujte divoké oscilácie na okrajoch. Zaveďte penalizáciu λ na vyhladenie funkcie. |
| 4. Nelineárne hranice rozhodovania | k-Najbližších susedov (k-NN), Rozhodovacie stromy, hĺbka stromu, Voronoiho delenie priestoru. | Porovnajte k-NN a rozhodovacie stromy. Pozorujte zmenu hraníc od hladkých kriviek po pravouhlé osové delenia. |
| 5. Zhlukovanie K-Means | Učenie bez učiteľa, centroidy, euklidovská vzdialenosť, zotrvačnosť (inertia), stabilizácia. | Umiestnite počiatočné body zhlukov. Krokujte algoritmus a sledujte migráciu centroidov do stredov dátových skupín. |
| 6. Perceptrón a neurónové siete | Lineárna separabilita (problém XOR), viacvrstvový perceptrón (MLP), skryté vrstvy, aktivačné funkcie ReLU a Sigmoid. | Zostavte sieť na riešenie kruhových a XOR dát. Pridávaním vrstiev sledujte ohýbanie rozhodovacích hraníc. |
| 7. Konvolúcie a obrazové filtre | Operácia konvolúcie, 3×3 jadrá (kernely), mapy príznakov, detekcia hrán (Sobel), zaostrenie, rozmazanie. | Vyberte testovacie obrazy číslic alebo technických dielov. Aplikujte filtre a skúmajte skalárny súčin po pixeloch. |
| 8. Posilňované učenie (Q-learning) | Stavy, Akcie, Odmeny, Bellmanova rovnica, Q-tabuľka, ε-greedy prieskum vs využívanie, diskontný faktor (γ). | Natrénujte agenta v bludisku alebo pri nebezpečnom útese. Sledujte smerové šípky optimálnej cesty v bunkách. |
| 9. Reprezentatívnosť a skreslenie dát | Trénovacia vs testovacia množina, skryté skreslenie, nerovnomerné zastúpenie skupín v priemyselnej kontrole kvality. | Simulujte kontrolu kvality s 95 % dielmi z Továrne A a 5 % z Továrne B. Zistite, prečo vysoká priemerná presnosť klame! |
2. Príručka pre učiteľov: Hodnotenie v testoch
Tvorba úloh so simuláciami pomocou qtype_aisim:
V bežných testoch otázky preverujú pasívnu pamäť. S qtype_aisim žiaci riešia simulovaný inžiniersky scenár a musia nájsť nastavenie, ktoré dosiahne konkrétne výkonnostné kritériá:
- Výber simulácie: Možnosť použiť ktorúkoľvek z 9 ML simulácií.
- Východiskový stav: Poskytnutie počiatočných zašumených dát, východiskových váh alebo predvolených parametrov.
- Cieľové kritériá: Definovanie prahových hodnôt, ktoré musí riešenie žiaka splniť (napr.
Presnosť ≥ 92 %,Iterácie ≤ 25,Chyba ≤ 0,05). - Tolerančné pásma: Nastavenie povolených odchýlok pre metriky.
- Okamžitá spätná väzba: Kontextové rady pri neúspešnej konvergencii (napr. „Rýchlosť učenia bola príliš vysoká; hodnota ušla do nekonečna“).
3. Pedagogická metodika pre odborné vzdelávanie (OVP)
Kurikulum AI pre OVP uprednostňuje vizuálnu a hmatateľnú intuíciu pred náročnými matematickými dôkazmi. Priamou interakciou s krivkami nákladov, rozhodovacími hranicami a dynamikou modelov žiaci získavajú praktické zručnosti pre moderný priemysel a technické pracovné postupy.