Poznámky k projektům učebnice Strojové učení pro děti (2. díl)

Projekt č. 4 – Třídění pošty 

Čeho se projekt týká: 

V tomto projektu vytvoříme a natrénujeme model strojového učení na rozpoznávání obrázků, které budeme sami tvořit. Bude se ale v podstatě jednat o text, případně číslice. Smyslem projektu je rozpoznávat psaný text a správně jej identifikovat, v tomto případě na příkladu třídění pošty. 

Poznatky z výuky, co je potřebné pro přípravu a realizaci projektu a co v učebnici nenajdete: 

• Je dobré žákům umožnit po natrénování modelu udělat test spolehlivosti modelu kreslením od jiného žáka a sledovat % úspěšnosti, když kresbu tvoří někdo jiný (jiný rukopis). Tady si žáci společně mohou ověřit podobnosti, odlišnosti ve svých rukopisech. 

• Při testu od tvůrce modelu rozpoznává program kategorie s vysokou úspěšností. Diskutujeme, čím to je – odpovídá to i ve skutečnosti? Otevírám diskusi s žáky nad těmito výsledky, zamýšlíme se nad rozdíly a pojmenováváme příčiny v úspěšnosti rozpoznávání (rozdíly v rukopisu, jednotný vzhled písma, úhlednost, pečlivost, jazykové zvyky, …).

Projekt č. 5 – Urážíme počítač 

Čeho se projekt týká: 

V tomto projektu vytvoříme a natrénujeme model strojového učení na rozpoznávání vlastního vytvořeného textu s danými emočními rozdíly.  

Poznatky z výuky, co je potřebné pro přípravu a realizaci projektu a co v učebnici nenajdete: 

• Do kategorií pro komplimenty a výtky je vhodné vložit alespoň 10 slovních příkladů – žákům mnohdy dělá potíže, aby nepoužívali vulgarismy. Hlavní problém je ale s vyjadřovacími schopnostmi žáků. Z 20 vět je často dvouslovné, nebo jednoslovné vyjádření komplimentu, urážky. 
• Opět platí, že pro otestování natrénovaného modelu i pro hru samotnou je dobré žáky zaměnit, aby neměli tendenci používat stejné, nebo podobné fráze. 
• Většinou, když dělá model mnoho chyb, je dobré vložit do trénovacích dat o dost více položek než jen 10. 
• V tomto projektu je nejzajímavější modifikace až ta poslední (učení se z chyb), věnujeme jí nejvíce času, je ale také nejnáročnější na správné sestavení programu ve Scratchi. 
• Tento projekt nám zabral 2 vyučovací hodiny, především přípravou trénovacích dat a sestavováním programů. 

Projekt č. 6 – Rozpoznávání stylistiky v novinách 

Čeho se projekt týká: 

V tomto projektu vytvoříme a natrénujeme model strojového učení na rozpoznávání textu, jazykového stylu z novinových titulků. Model strojového učení by měl rozpoznat text, titulek článku z bulvárního tisku nebo z důvěryhodného zdroje. 

Poznatky z výuky, co je potřebné pro přípravu a realizaci projektu a co v učebnici nenajdete: 

• Nejdříve s žáky vedu krátkou diskusi o tom, které zdroje (tištěné, internetové) jsou bulvární, seriózní. Žáci si vyberou od každé kategorie 2 zdroje. Většinou se mé návrhy neshodují s návrhy žáků, tak je u seriózních zdrojů zkouším navést na správný výběr. 
• Příklady, návrhy bulvárních zdrojů: www.blesk.cz, www.ahaonline.cz.
• Příklady, návrhy seriózních zdrojů: www.novinky.cz, www.respekt.cz.
• Žáci do jednotlivých kategorií při tvorbě modelu strojového učení vkládají vybrané titulky a po natrénování modelu v nich nacházejí podobnosti. 
• Je dobré si před tvorbou programu ve Scratchi vyzkoušet test svého modelu a pozorovat jeho přesnost a úspěšnost v %. Při nízké úspěšnosti rozpoznávání doporučuji žákům doplnění dat do každé z kategorií. 
• Při samotné tvorbě programu je dobré dát si záležet na samotné přípravě vzhledu novin – stáhnout vhodný clipart z internetu (kreslení žákům zabere více času).

• V programu malování oba cliparty barevně žáci odliší pro lepší výsledný vzhled. Žáci mají tendenci s touto činností ztratit zbytečně mnoho času, který jim bude chybět při programování. Je možné mít i tyto kliparty připravené, nebo umožnit i větší časovou dotaci na tento projekt. 
• Vytvořené cliparty vkládáme do Scratche na pozici (x=0, y=0), podle potřeby upravíme velikost tak, aby vhodně korespondovala s předlohou. Tyto činnosti žáci znají z dřívější práce ve Scratchi. 
• Při tvorbě „Seznamu – proměnné“ vkládají žáci 10 titulků z bulváru z druhého média, které si vybrali, aby model naučili rozpoznávat bulvární titulky. Opět platí, že by to měly být odlišné titulky od trénovacích dat. 
• Pokud je ML v rozpoznávání testovacích titulků velmi špatný, tak pro ověření funkčnosti je dobré některý z testovacích titulků dát do trénovacích dat a „naučit“ model znovu. 
• První část tohoto projektu je dost časově náročná, proto se k dalším částem tohoto projektu vracíme v případě dostatku času. 
• V druhém kroku se věnujeme měření výkonu, správnosti. 
• Ve třetím kroku vytvoříme program pomocí Matice záměn. Zde je dost prostoru pro úpravu některých položek scénářů podle žáků. K těmto úkolům se spíše dopracují rychlejší žáci, osvědčilo se nám ve výuce spojování žáků do dvojic.