Модуль «Машинное обучение систем искусственного интеллекта» в общеобразовательном курсе информатики
И.В. Левченко,
Д.Б. Абушкин,
Л.И. Карташова
В статье предложен авторский подход изложения учебного материала при рассмотрении возможности машинного обучения систем искусственного интеллекта.
Ключевые слова: методика обучения; общеобразовательный курс информатики; искусственный интеллект; машинное обучение.
V. Levchenko,
D. B. Abushkin,
L. I. Kartashova
Module «Artificial Intelligence Systems Machine Learning» in the General Education Course of Informatics
The article suggests a definite presentation of the educational material when considering the possibility of machine learning of artificial intelligence systems.
Keywords: methodic of teaching; general education course of informatics; artificial intelligence; machine learning.
В данной статье описана методика преподавания модуля «Машинное обучение систем искусственного интеллекта», который необходимо рассматривать после модулей «Введение в искусственный интеллект», «Нисходящее моделирование интеллектуальной деятельности», «Восходящее моделирование интеллектуальной деятельности» [9; 10].
Сначала рассмотрим подход к реализации модуля «Машинное обучение систем искусственного интеллекта» [8]. При изложении содержания данного модуля необходимо опираться на сформированные знания и умения учащихся [5; 6] и их опыт работы с базовыми информационными технологиями [3; 4], а также следует систематически использовать доступные технические средства и предлагать задания по поиску информации в сети Интернет [2; 7].
В рамках данного модуля предлагается рассмотреть две темы: «Основные подходы к машинному обучению» и «Задачи и методы машинного обучения».
Выделим предметные, метапредметные и личностные результаты обучения [1].
Предметные результаты обучения:
* иметь представление о возможностях и перспективах машинного обучения систем искусственного интеллекта;
* иметь представление об основных подходах к машинному обучению;
* уметь приводить примеры типовых задач и методов машинного обучения;
* иметь представление о проблемах машинного обучения интеллектуальных систем;
* знать основы, в том числе и математические, машинного обучения.
Метапредметные результаты обучения:
* формирование универсальных учебных действий (познавательные, регулятивные, коммуникативные), обобщенных способов информационной деятельности при организации машинного обучения интеллектуальных систем;
• развитие познавательного интереса, интеллектуальных и творческих способностей при проведении компьютерных экспериментов по машинному обучению;
• приобретение опыта машинного обучения интеллектуальных систем в индивидуальной, групповой и коллективной учебно-познавательной деятельности.
Личностные результаты обучения:
• личностное и предпрофессиональное самоопределение через познавательную мотивацию к получению профессий, связанных с искусственным интеллектом, и через познавательный интерес -- к достижениям в области машинного обучения;
• построение дальнейшей индивидуальной образовательной траектории с использованием полученного представления о перспективных направлениях машинного обучения интеллектуальных систем;
• осознание стратегической важности развития технологий искусственного интеллекта для государства, общества и своего личного будущего.
Базовыми понятиями для изучения модуля будут являться следующие: информация и ее виды, виды данных и их кодирование, объект и его характеристики, система и ее элементы, структура, виды информационных моделей и информационное моделирование, компьютерное и имитационное моделирование, файл и файловая система. Искусственный интеллект и интеллектуальные системы, слабый и сильный искусственный интеллект, свойства систем искусственного интеллекта, технологии искусственного интеллекта.
К дидактическим элементам, которые осваиваются при изучении модуля, относятся: данные, декларативные и процедурные знания, база знаний, извлечение, представление и обработка знаний. Сюда относятся также особенность машинного обучения, три компонента машинного обучения (а именно датасеты, параметры и методы), основные подходы к машинному обучению, классическое обучение (включающее как обучение с учителем, так и без него), обучение с подкреплением, обучение нейросети, ансамблевое обучение. Должны быть включены типовые задачи машинного обучения, методы машинного обучения, методы глубокого обучения нейросети.
Остановимся на рассмотрении методики преподавания темы «Основные подходы к машинному обучению», которая является первой в модуле.
Цель: дать представление о машинном обучении и основных подходах к машинному обучению.
Контрольные вопросы:
1. В чем особенность машинного обучения?
2. Каковы три составляющие машинного обучения?
3. Что такое датасет?
4. Почему в машинном обучении необходимы параметры, где они содержатся?
5. Почему в машинном обучении используются различные методы?
6. Какие существуют подходы к машинному обучению?
7. В чем особенность классического обучения?
8. Чем способ обучения с учителем отличается от способа обучения без учителя в классическом подходе к машинному обучению?
9. В чем особенности обучения с подкреплением?
10. В чем особенности ансамблевого обучения?
11. В чем особенности обучения нейросетей?
Вопросы для обсуждения:
1. Какова взаимосвязь между количеством данных, их качеством и использованием методов машинного обучения?
2. От чего зависит выбор подхода к машинному обучению? Приведите примеры использования различных подходов к машинному обучению.
Методические рекомендации:
1. Вспоминаем с учащимися, что c научной точки зрения искусственный интеллект -- это теоретическое и прикладное направление информатики, занимающееся исследованием и созданием аппаратных и программных средств, имитирующих интеллектуальную деятельность человека. А системы искусственного интеллекта (интеллектуальные системы) -- это компьютерные системы, выполняющие некоторые интеллектуальные функции человека. Обращаем внимание учащихся, что машинное обучение является одним из разделов искусственного интеллекта, который занимается как теоретическими, так и прикладными разработками.
Отмечаем, что в отличие от тех алгоритмов, которые учащиеся разрабатывали на уроках информатики (например, нахождение большего значения среди чисел), машинное обучение не предполагает прямой поиск решения задачи с использованием машины. Обращаем внимание учащихся, что отличительной чертой машинного обучения является постепенное обучение машины в процессе решения множества однотипных задач. Обсуждаем, что таким образом обучать можно не любую машину, а лишь интеллектуальную систему.
Далее необходимо отметить, что для обучения машины необходимы три компонента: данные, параметры (признаки, величины) и методы (алгоритмы). Все эти термины известны учащимся из обязательного курса информатики. Однако в рамках изучения машинного обучения их надо повторить и уточнить.
2. В процессе обсуждения с учащимися рассматриваем каждый компонент машинного обучения.
Вначале рассматриваем первый компонент -- данные. Отмечаем, что понятие «данные» может определяться по-разному, это зависит также и от той предметной области, в которой данное понятие используется. Вспоминаем, что в предметной области «Информатика» под данными понимают отдельные факты, характеризующие объекты (а именно предметы, процессы и явления) окружающего мира, в том числе их свойства.
Объясняем учащимся, что в процессе обучения машина с целью нахождения необходимых закономерностей обрабатывает большое количество данных. Другими словами, машина обучается на данных, которые ей предоставляются. При этом следует привести примеры. Так, если интеллектуальная система обучается распознаванию изображений цифр, то ей нужны примеры различных написаний этих цифр. Если машина обучается распознавать рассылаемый по электронной почте спам, то нужны примеры спам-писем. Для обучения машины распознаванию изображений кошки необходимы фотографии этого животного. Машине, которая будет использоваться для прогнозирования курсов валют, необходима история цен. Если необходимо наделить ее способностью делать выводы о сфере интересов пользователя, то такой машине нужны посты и запросы данного пользователя на различных сетевых ресурсах и так далее. Актуальные примеры для урока можно подобрать с учетом интересов учащихся.
В заключение рассмотрения этих примеров необходимо с учащимися отметить существенный факт: чем больше входных данных предоставляется машине и чем они разнообразнее, тем быстрее машина найдет закономерности и тем точнее будет результат ее поиска. При этом иногда полученный результат может быть таким, о котором люди раньше даже и не догадывались.
Далее отмечаем, что поскольку данных для машинного обучения нужно как можно больше, то они собираются и хранятся в виде баз данных, называемых датасетами. Такая специальная база данных имеет определенный формат и определенную разметку для размещения соответствующих данных.
На основании предыдущего обсуждения формулируем, что под датасетом мы будем понимать специальную базу данных, предназначенную для машинного обучения и имеющую определенный формат, определенную разметку. Основываясь на том, что учащиеся из обязательного курса информатики знают различие между терминами «автоматизированный» и «автоматический», уточняем, что датасеты могут собираться тремя способами: во-первых, вручную (т. е. человеком), во-вторых, автоматизированно (т. е. с участием человека), в-третьих, автоматически (т. е. без участия человека). Обращаем внимание учащихся, что датасеты могут быть объектом личной или частной собственности, а могут быть расположены и в открытом доступе.
Обсуждаем с учащимися различные примеры создания и пополнения датасетов. Так, иногда пользователи принимают участие в пополнении таких датасетов в процессе получения доступа к определенным веб-сайтам. В качестве такого примера можно привести выбор пользователем сайта из множества элементов его контента только тех, которые содержат изображения дорожных знаков.
Далее рассматриваем второй компонент -- параметры. Обсуждаем с учащимися, что в процессе обучения машина должна знать, какие параметры (а именно признаки, величины) требуется ей отслеживать. Поэтому чаще всего в названиях полей (столбцов) датасета указывают параметры, в соответствии с которыми будут собираться данные. Приводим примеры, что в качестве параметров могут быть графические примитивы, счетчики появления слов в тексте, цены валют, пол пользователя и многие другие. Обращаем внимание учащихся на тот факт, что чем больше параметров имеется в датасете, тем медленнее будет обучаться машина.
Переходим к рассмотрению третьего компонента -- методов (алгоритмов). Обращаем внимание учащихся, что интеллектуальную задачу можно решить различными методами, т е. различными алгоритмами. Еще раз отмечаем, что отличительной чертой машинного обучения является не прямой поиск решения задачи с использованием машины, а постепенное обучение машины в процессе решения множества однотипных задач. Исходя из этого делаем с учащимися вывод, что машинное обучение имеет свои методы решения задач.
Целесообразно привести такой пример. С помощью методов нейронных сетей, которые будут рассматриваться в дальнейшем, можно решить практически любую проблему. Однако использование нейросетей не всегда имеет смысл, например в случаях, если такое решение оказывается экономически нецелесообразным. Делаем вывод, что для решения различных задач необходимо применять соответствующие оптимуму методы достижения результата.
Обсуждаем с учащимися, что от выбора метода решения задачи зависит скорость и точность работы системы, а также размер используемых ресурсов. Выбор метода также зависит от наличия, качества, сложности отбора данных и параметров. Однако если данных мало или они некачественные, то даже лучший метод не поможет добиться достаточно точного результата. Приходим к выводу, что для решения определенных типов задач используют соответствующие методы.
3. После рассмотрения основных компонентов машинного обучения выделяем основные подходы к такому обучению.
Уточняем, что существуют различные классификации методов машинного обучения и приводим одну из них. Используя схему, выделяем основные подходы к машинному обучению, а также организуем деятельность учащихся по изучению нового материала. Предлагаем учащимся в зависимости от характеристики данных выделить четыре основных подхода (направления или способа) к машинному обучению: классическое обучение, обучение с подкреплением, ансамблевое обучение, обучение нейросетей. Обращаем внимание учащихся, что в рамках каждого направления используются свои методы для решения различных интеллектуальных задач (например, задача классификации, кластеризации и другие задачи).
4. Обсуждаем с учащимися, что классическое обучение активно используется в настоящее время и в его арсенале содержатся достаточно простые методы обучения (алгоритмы обучения).
Предлагаем учащимся привести примеры. Так, с помощью классических методов выполняется сортировка поисковой выдачи на веб-сайте с учетом предпочтений для конкретного пользователя, блокировка денег на банковской карточке при определенных действиях с ней в сети, другие действия подобного типа. Обращаем внимание учащихся, что классическое обучение используется в том случае, если параметры определить достаточно просто и сами данные являются простыми величинами.
В классическом типе обучения выделяем два вида: обучение с учителем и обучение без учителя. Уточняем главную идею обучения с учителем: машине предлагается правильная выборка, в которой все данные разделены. Объясняем учащимся, что это может быть в тех случаях, когда данные численные или заранее категоризированы. Так, если машину обучают отличать на фотографиях кошек от собак, то эти фотографии заранее разделены (говоря по-другому, размечены) на эти две категории, и машина обучается на конкретных примерах.