O kurzu

Chcete vyučovat informatiku pro 21. století i u vás na střední škole?

Umělá inteligence je stále používanějším nástrojem v nejrůznějších průmyslových, technologických i kreativních odvětvích. Na výuku umělé inteligence se v České republice však soustředí jen hrstka technických středních škol – přitom není na co čekat. Ve spolupráci s iniciativou prg.ai a za podpory hlavního města Prahy se proto snažíme tento stav změnit a nabízíme vše potřebné pro zapojení umělé inteligence do výuky na vaší střední škole.

Členstvím v AI akademii získáte přístup k pravidelně aktualizovaným podkladům pro plnohodnotnou výuku umělé inteligence s využitím vašeho učitelského sboru. Výukové materiály, které se skládají z prezentací, praktických cvičení a data setů, přizpůsobíme vašim specifickým požadavkům a vaše pedagogy řádně proškolíme. Není problém, pokud jsou v oblasti umělé inteligence nováčky.

Doporučená osnova výuky

Uvádíme doporučenou osnovu výuky, která rozsahem odpovídá zhruba 55 školním hodinám teorie a praxe. Skutečný rozsah, hloubka a časová dotace výuky však vždy záleží na konkrétních požadavcích školy.

  • Úvod do umělé inteligence – žáci budou schopni vysvětlit rozdíly mezi umělou inteligencí, strojovým učením a dalšími oblastmi umělé inteligence. Ke každé oblasti poznají konkrétní příklady aplikací. Dále získají přehled o tom, jak se umělá inteligence vyvíjela a v jakém stavu se nachází dnes.
  • Data a informace – žáci budou rozumět rozdílu mezi daty a informacemi. Na příkladech si uvědomí, jak snadno může selhat intuice, jak výhodné může být rozhodování na základě dat a kdy naopak může vést k omylu (chyby v datech nebo jejich zaujatost). Na jednoduchém cvičení si vyzkoušejí základní přístupy k datové analýze.
  • Filosofie umělé inteligence – žáci budou schopni argumentovat pro i proti použití umělé inteligence v různých oblastech lidské činnosti a získají přehled o výzvách, problémech a především příležitostech spojených s umělou inteligencí.
  • Typy strojového učení – žáci budou schopni rozlišit základní typy strojového učení a spojit si je s konkrétními aplikacemi z běžného života. Získají motivaci pro detailnější studium jednotlivých metod.
  • Základy datové analýzy v jazyce Python – žáci se na praktických příkladech vycházejících z lokálních reálií blízkým jejich věkové kategorii naučí pracovat s jazykem Python. Zároveň poznají základy práce s daty.
  • Regrese – žáci budou schopni aplikovat základní regresní metody na jednoduché problémy s využitím knihovny ScikitLearn v Pythonu.
  • Klasifikace – žáci budou schopni aplikovat základní klasifikační metody na jednoduché problémy s využitím knihovny ScikitLearn v Pythonu.
  • Neuronové sítě – žáci budou schopni navrhnout jednoduché neuronové sítě pro klasifikační i regresní problémy v knihovně Tensorflow/Keras. Dále získají představu o tom, k čemu jsou neuronové sítě dobré a kde se dají použít.
  • Projekt – v rámci volitelné kapitoly budou nabídnuty data sety a vzorová řešení složitějších problémů vhodných pro samostatné studentské projekty.

Pro více informací a zájem o členství v AI akademii a školení učitelů nás prosím kontaktujte na info@mlcollege.com.