Lezione 11 - Modelli numerici

Discussione: pianifica la possibilità di uscire tutti insieme in un parco durante il fine settimana.

• Amy abita a 12 minuti dal parco
• Dan vive a 24 minuti dal parco
• Hannah abita a 5 minuti dal parco
• Ken vive a 30 minuti dal parco
• Mike abita a 13 minuti dal parco

Aaron vive vicino ad Amy, Dan e Ken. Quanto tempo prevedi che ci impiegherà Aaron per arrivare al parco? Spiega il tuo ragionamento.

Chiedi agli studenti di scrivere un diario prima individualmente, quindi di condividerlo con un vicino.

Condivisione: chiedi agli studenti di condividere le loro risposte riguardo a entrambe le discussioni.

Obiettivo della discussione: anche se gli studenti non possono essere sicuri al 100% della risposta, dovrebbero usare gli indizi sugli amici ai quali Aaron è «più vicino» per guidare le loro risposte. Gli studenti possono avere una varietà più ampia di risposte, ma dovrebbero tutti fare affidamento sull'utilizzo dei valori di Amy, Dan e Ken per prevedere quanto tempo impiegherà Aaron ad arrivare al parco.

In entrambe queste situazioni, possiamo usare le informazioni sugli amici di Aaron per prevedere qualcosa su Aaron. Potrebbe non essere corretta al 100%, ma la nostra previsione sarà probabilmente abbastanza vicina. Questo è un altro modo in cui i computer possono individuare schemi nei dati attraverso l'apprendimento automatico: esaminando dati simili per fare previsioni. Oggi esploreremo come le macchine possono prendere decisioni utilizzando questa stessa tecnica.

Domanda del giorno: in che modo i computer imparano a fare previsioni con dati numerici?

*Distribuisci la guida alle attività di Zombie Prediction a ogni studente.

Mostra agli studenti la panoramica tratta dalla guida alle attività, che spiega come c'è stata una rivolta di zombi e come stiamo lavorando per trovare luoghi sicuri in cui nasconderci.

Fai questo: chiedi agli studenti di esaminare i dati che mostrano quanti zombi ci sono in otto luoghi diversi. Dovrebbero annotare le loro osservazioni in fondo alla guida alle attività.

Soluzione: una soluzione a questa attività viene fornita agli insegnanti verificati nella sezione dei link del Piano di lavoro della lezione

Condividi: chiedi agli studenti di condividere le loro risposte alle domande in fondo alla guida alle attività.

Obiettivo della discussione: gli studenti potrebbero notare che gli zombi tendono a raggrupparsi in aree rumorose all'aperto. Gli studenti potrebbero anche notare che gli zombi tendono a raggrupparsi in luoghi in cui ci sono umani o animali, come scuole o zoo. Gli studenti possono provare a giustificare questo schema facendo riferimenti agli zombi nella cultura pop, ma va bene lo stesso anche se queste osservazioni non emergono.

Mostra: chiedi agli studenti di passare alla pagina successiva della guida alle attività, anch'essa rappresentata su una diapositiva. Questa attività accompagna gli studenti nel processo di trasformazione dei dati sugli zombi in un modello in grado di fare previsioni su quanti zombi si trovano in una determinata posizione.

Illustrazione: aiuta gli studenti a tenere traccia di quanto ogni riga della tabella sia simile alla Posizione A. Ciò implica il conteggio ogni volta che una cella della Posizione A corrisponde a una cella della tabella. Ad esempio, se l'unica cosa che entrambe le tipologie di ambiente hanno in comune è che sono al chiuso, allora scriveremo un 1 per le somiglianze con la Posizione A. Oppure, se entrambe le tipologie di ambiente sono chiuse, rumorose e hanno marciapiedi: allora scriveremo un 3 per le somiglianze con la Posizione A.

Illustrazione: aiuta gli studenti a prevedere quanti zombi ci saranno nella Posizione A trovando i tre luoghi più simili, quindi calcolando la media del numero di zombi in ogni posizione. Può essere utile modellare questo processo per la Posizione A, poiché gli studenti ripeteranno questo processo per i luoghi B e C sul retro della guida alle attività.

Questa attività simula l'algoritmo di apprendimento automatico K-Compagni più vicini (KNN) ** per fare previsioni basate sui dati. Il **K rappresenta il numero di compagni che cerchi: in questa attività, utilizziamo K=3 perché gli studenti trovano i tre punti dati più simili per calcolare la media.

Se desideri saperne di più su KNN e altri algoritmi di apprendimento automatico, ml-playground.com ha un componente interattivo e collegamenti a risorse aggiuntive. Questo sito web è destinato agli adulti che desiderano saperne di più sull'apprendimento automatico, soprattutto considerando la quantità di matematica necessaria, quindi non è consigliabile condividerlo con gli studenti.

Fai questo: nella pagina successiva della guida alle attività, agli studenti vengono fornite due nuove posizioni per prevedere il numero di zombi. Ripeteranno lo stesso processo per queste località: determinano le tre posizioni più simili, quindi trovano la media per prevedere il numero di zombi.

Girando tra i banchi: monitora gli studenti mentre completano questo processo. Viene fornita una soluzion per aiutare nella verifica delle risposte.

Condividi: chiedi agli studenti di condividere solo le loro previsioni per le località B e C e quale località ha il minor numero di zombi.

Questo è un esempio di come possiamo prendere nuovi dati e confrontarli con i nostri dati esistenti, quindi utilizzare tali somiglianze per fare previsioni. Questo accade spesso nelle app di apprendimento automatico in cui stiamo cercando di prevedere quanto dovrebbe costare qualcosa, o quante persone saranno presenti in un luogo o con quale frequenza si verificherà un evento. Ma non è sufficiente fare solo una previsione: dovremmo anche essere in grado di verificare la nostra accuratezza per capire come siamo andati.

Distribuisci a ogni studente la risorsa Numerical Accuracy

Mostra la diapositiva con la panoramica di questo compito: la classe è stata salvata e ora può vedere quanti zombi si trovavano effettivamente nei luoghi A, B e C. Usando queste informazioni, gli studenti possono iniziare a calcolare l'accuratezza dei loro risultati.

Accuratezza e dati numerici: l'accuratezza viene calcolata in modo diverso per i dati numerici rispetto ai dati categoriali. Questa parte dell'attività è importante per sviluppare la comprensione concettuale, quindi quando gli studenti vedranno questi stessi calcoli in Laboratorio IA, avranno un riferimento per capirne il significato. Saltare troppo velocemente questa sezione può comportare che gli studenti saranno confusi quando vedranno l'accuratezza dei dati numerici in Laboratorio IA.

Discussione: in base ai risultati, qual è stata l'accuratezza del nostro modello? Quanti luoghi aveva previsto esattamente?

Obiettivo della discussione: gli studenti dovrebbero notare che il nostro modello è accurato allo 0% se ci aspettavamo che fosse perfettamente corretto. Guida gli studenti a valutare se è giusto che il modello sia «abbastanza vicino»: ad esempio, quando le app meteo prevedono la temperatura, lasciamo che sia accettabile se sono disorientati di qualche grado purché siano sufficientemente vicini.

Discussione: quale sarebbe l'accuratezza del nostro modello se fosse accettabile che fossimo entro il 5% del valore effettivo? E nell'arco di 20 anni?

Obiettivo della discussione: gli studenti devono notare che, se il numero è troppo grande (ad esempio entro 20), il modello appare estremamente accurato e, se il numero è inferiore, il modello appare meno accurato.

Fai questo: guarda i dati nella tabella seguente e calcola l'accuratezza del nostro modello utilizzando questi tre diversi approcci.

Girando tra i banchi: rivolgiti agli studenti mentre calcolano l'accuratezza residua. Viene fornita una soluzione con le risposte corrette.

Quando si effettuano previsioni con dati numerici, è raro che la previsione corrisponda esattamente al numero effettivo. Possiamo invece verificare se la previsione è «sufficientemente vicina» al valore effettivo e basare la nostra accuratezza su questo. Ma decidere cosa sia «abbastanza vicino» dipende dalla situazione. Domani vedremo come Laboratorio IA effettua previsioni con dati numerici e come comprenderne l'accuratezza.

Discussione: in una delle righe, il modello prevedeva 0 ma il valore effettivo era 2. È abbastanza vicino per essere considerato una previsione corretta?

Obiettivo della discussione: questa dovrebbe essere una discussione rapida, in cui gli studenti probabilmente diranno di sì: è abbastanza vicina da essere considerata corretta.

Discussione: in una delle righe, il modello prevedeva 0 zombi ma il valore effettivo era 2 zombi. Anche se questo è abbastanza vicino per essere corretto, va bene per le persone in questa situazione?

Obiettivo della discussione: invita gli studenti a ricordare che anche se i dati rappresentano numeri, la situazione coinvolge persone in circostanze specifiche. Anche se la situazione è tratta da una storia di fantascienza, se ci mettiamo nei panni della gente di questa città, significa che probabilmente sono andati in un posto dove non si aspettavano zombi e invece ne hanno trovati due. Anche se i numeri erano abbastanza vicini da essere corretti, questo piccolo margine di errore ha avuto un enorme effetto sulle persone coinvolte.

Accuratezza dell'intelligenza artificiale nel mondo reale: questa situazione introduce problemi relativi a calcoli inaccurati da modelli di apprendimento automatico, come falsi positivi o falsi negativi. Gli studenti possono avere esperienza di questo tipo quando un'e-mail importante viene contrassegnata come spam da un programma di posta elettronica o ignorano una telefonata di una persona importante perché non riconoscono il numero: entrambi sono esempi di falsi positivi, in cui un dato è stato erroneamente contrassegnato come non importante.

Non tutti i falsi positivi hanno lo stesso impatto sulle persone nel mondo reale. Queste risorse possono essere utili per fornire esempi di come i problemi di accuratezza possono avere un grande impatto sulle persone nel mondo reale:

• Rivista di medicina e fisiologia - questo articolo spiega come l'intelligenza artificiale viene utilizzata di routine per aiutare a identificare il cancro in campo medico con grande successo, ma i rischi di un'identificazione falsa positiva possono essere devastanti.
• Accusato ingiustamente da un algoritmo - questo articolo spiega come un software di riconoscimento facciale impreciso sia stato utilizzato per arrestare ingiustamente un uomo per un crimine che non ha commesso.

Discussione: quali sono le altre situazioni in cui ritieni che i modelli di apprendimento automatico debbano essere esattamente accurati perché non è sufficiente che siano abbastanza vicini all'accuratezza?

Obiettivo della discussione: gli studenti possono citare esempi tratti da notizie come:

• Diagnosi medica, come l'individuazione del cancro
• Riconoscimento facciale per procedimenti penali