Главни блокови
IA para EFP: Guia das 9 Simulações Interativas de Machine Learning
Guia completo para professores e formandos do ensino profissional sobre a utilização de simulações interativas de aprendizagem automática no Moodle, desenvolvimento de intuição visual e desafios avaliados automaticamente.
Incorpora cartões de simulação interativa em qualquer página de curso, livro ou publicação de fórum com um clique. Configure conjuntos de dados, predefinições e modos de visualização.
Processa simulações interativas de alto desempenho no navegador (Canvas, SVG e WebGL) com ajuste de parâmetros em tempo real, animação de curvas e matrizes de confusão.
Tarefas interativas de avaliação automática em que os alunos ajustam parâmetros de simulação real para satisfazer critérios técnicos de desempenho e convergência.
1. Visão geral das 9 simulações essenciais
| Simulação | Conceitos científicos e técnicos | Hiperparâmetros interativos e tarefas |
|---|---|---|
| 1. Descida do gradiente | Superfície de custo J(w), taxa de aprendizagem (α), momento, velocidade de convergência, divergência, mínimos locais. | Ajuste α de 0,01 (lento) a 0,85 (divergência). Observe o movimento do ponto em vales de custo convexos e não convexos. |
| 2. Matriz de confusão e limiar | Probabilidade de classe P(y=1|x), limiar de decisão (θ), relações VP/FP/VN/FN, Precisão, Sensibilidade (Recall), pontuação F1. | Mova o cursor do limiar de decisão. Veja como a descida do limiar aumenta a sensibilidade em inspeção de qualidade e diagnóstico clínico. |
| 3. Regressão polinomial | Complexidade do modelo, subajuste e sobreajuste (overfitting), regularização L2 Ridge (λ). | Aumente o grau polinomial de 1 a 12 e veja as oscilações bruscas no ruído. Adicione λ para suavizar a curva. |
| 4. Fronteiras de decisão não lineares | k-Vizinhos Mais Próximos (k-NN), Árvores de decisão, profundidade da árvore, partições de Voronoi. | Alterne entre k-NN e árvore de decisão. Veja como as fronteiras evoluem de curvas orgânicas para partições ortogonais em caixas. |
| 5. Agrupamento K-Means | Aprendizagem não supervisionada, centroides, distância euclidiana, inércia de clusters, estabilização. | Defina o número K de clusters. Avance passo a passo e observe a migração dos centroides para os centros dos dados. |
| 6. Perceptrões e redes neuronais | Separabilidade linear (dilema XOR), perceptrão multicamada (MLP), camadas ocultas, ativações ReLU e Sigmoide. | Construa redes para resolver distribuições circulares e XOR. Ao adicionar camadas, observe a curvatura das fronteiras de decisão. |
| 7. Convolução e filtros de imagem | Operação de convolução, kernels 3×3, mapas de características, deteção de arestas (Sobel), desfoque, nitidez. | Selecione imagens de teste (dígitos, componentes). Aplique filtros e inspecione o produto interno matemático píxel a píxel. |
| 8. Aprendizagem por reforço: Q-Learning | Estados, Ações, Recompensas, equação de Bellman, tabela Q, exploração ε-greedy vs aproveitamento, desconto (γ). | Treine um agente num labirinto ou precipício. Veja surgir nas células as setas que indicam a trajetória de navegação ótima. |
| 9. Divisão de dados e enviesamento | Divisão treino/teste, disparidade de representação de subgrupos, justiça algorítmica em processos industriais e médicos. | Simule a inspeção fabril com 95% de peças da Fábrica A e 5% da Fábrica B. Compreenda porque uma exatidão média elevada é enganadora! |
2. Guia do professor: Avaliação em testes
Criação de perguntas interativas com qtype_aisim:
Nos testes tradicionais avalia-se memória passiva. Com qtype_aisim, os alunos resolvem um cenário prático em que precisam de descobrir parâmetros que cumprem critérios técnicos:
- Seleção de simulação: Escolha qualquer uma das 9 simulações de IA.
- Estado inicial pré-configurado: Defina dados com ruído, pesos iniciais ou opções padrão.
- Metas de avaliação: Estabeleça limiares que o aluno tem de alcançar (ex.:
Exatidão ≥ 92%,Iterações ≤ 25,Custo ≤ 0,05). - Margens de tolerância: Defina intervalos admissíveis para as métricas.
- Feedback imediato e orientações: Apresente dicas em caso de divergência (ex.: "Taxa de aprendizagem demasiado alta; divergiu para infinito").
3. Metodologia pedagógica para o ensino profissional (EFP)
O currículo de IA para EFP prioriza a intuição visual e prática sobre demonstrações matemáticas pesadas. Ao interagir diretamente com curvas de perda, fronteiras de decisão e dinâmicas de simulação, os formandos adquirem competências aplicadas reais para a indústria moderna.