Искусственный интеллект и информационная безопасность
Обучение школьников 7–11 классов в рамках внеурочной деятельности
В российских школах начинается поэтапное внедрение нового курса внеурочной деятельности «Искусственный интеллект и информационная безопасность».
Цель нового курса — познакомить школьников с возможностями современных интеллектуальных технологий, сформировать навыки их безопасного использования и ответственного отношения к результатам работы искусственного интеллекта.
Для организации практико-ориентированного обучения в рамках внеурочной деятельности компания ГК ООО «Брейн Девелопмент» и ООО РОБОТРЕК разработала учебно-методические программы с использованием программных сред NNTrack и «ТрекиКод». Они могут применяться при реализации нового курса «Искусственный интеллект и информационная безопасность», а также в системе дополнительного образования.
Разработанные программы рассчитаны на учащихся 7–11 классов и обеспечивают последовательное освоение технологий искусственного интеллекта: от знакомства с их применением в различных отраслях экономики и промышленности до самостоятельной разработки, обучения и исследования нейронных сетей.
Особое внимание уделяется формированию практических навыков, развитию понимания возможностей искусственного интеллекта, а также вопросам этичного, безопасного и ответственного применения современных технологий.
Искусственный интеллект и культура безопасного использования технологий
Искусственный интеллект применяется в промышленности, медицине, транспорте, образовании и повседневной жизни. Нейронные сети помогают анализировать информацию, распознавать объекты, прогнозировать события и автоматизировать различные процессы. Вместе с развитием интеллектуальных технологий возрастает значение их безопасного, осознанного и ответственного применения.
Поэтому обучение искусственному интеллекту включает два взаимосвязанных направления:
Безопасное использование искусственного интеллекта — формирование осознанного подхода к применению интеллектуальных технологий в учебной, проектной и повседневной деятельности.
Этика и ответственное применение ИИ — понимание роли человека при использовании нейронных сетей, необходимости самостоятельной оценки полученных результатов и ответственности за принимаемые решения.
Единая система внеурочного обучения искусственному интеллекту для 7–11 классов
Разработанные компанией ООО «Брейн Девелопмент» образовательные программы объединяют три уровня подготовки для учащихся 7–11 классов, обеспечивая последовательное освоение технологий искусственного интеллекта с постепенным усложнением учебного материала. На каждом этапе школьники изучают теоретические основы ИИ, выполняют практические задания, проводят эксперименты и работают с нейронными сетями в программных средах NNTrack и «ТрекиКод».
7–8 классы. Курс «Основы разработки и использования нейронных сетей»
10 практических занятий по 45 минут
Для учащихся 7–8 классов разработан курс из 10 практикумов, предназначенный для использования во внеурочной деятельности.
Курс знакомит школьников с возможностями применения искусственного интеллекта в различных отраслях промышленности и экономики. Учащиеся рассматривают, как нейронные сети используются для распознавания объектов, анализа информации, автоматизации производственных процессов и решения прикладных задач.
Практическая часть реализуется с использованием двух программных сред — NNTrack и «ТрекиКод». Школьники начинают работу с готовыми нейронными сетями, затем самостоятельно создают и обучают собственные модели в NNTrack. Результаты распознавания используются для управления игровыми объектами и выполнения интерактивных заданий в «ТрекиКод».
Результат обучения: школьники получают представление о роли искусственного интеллекта в промышленности и экономике, приобретают первые навыки создания нейронных сетей и учатся применять их в интерактивных проектах. 9 класс. Разработка и использование нейронных сетей
| Тема занятия | Практикум | Чему научатся дети |
|---|---|---|
| 1. Мозг, интеллект и искусственный разум | Изучают интеллект человека и искусственный интеллект, биологические и искусственные нейроны. На практике готовая нейросеть распознаёт жесты и управляет игровым проектом в ТрекиКод. | Запускать готовую модель, подключать камеру и управлять программой с помощью жестов. |
| 2. Искусственный интеллект или как человек научил машины думать? | Знакомятся с интеллектуальными агентами и задачами машинного обучения. На практике школьники создают и обучают свёрточную нейросеть для классификации четырёх видов овощей, затем проверяют её в ТрекиКод. | Создавать и обучать классификатор изображений, оценивать ошибки распознавания и проверять работу модели. |
| 3. Искусственная нейронная сеть | Изучают строение нейросети, назначение слоёв и функций активации. На практике создают модель распознавания выражений лица и используют её ответы для изменения эмоций персонажа в ТрекиКод. | Подбирать слои нейросети, разрабатывать простейшую архитектуру, обучать модель и связывать результаты распознавания с действиями персонажа. |
| 4. Подготовка датасетов | Изучают виды датасетов, признаки, метки и качество данных. На практике обучают нейросеть на табличных метеоданных (большие данные) и выводят определённый моделью тип погоды в ТрекиКод. | Подготавливать табличные данные, выделять признаки и метки, создавать собственную нейронную сеть, обучать модель и проверять её работоспособность. |
| 5. Датасеты в науке | Изучают роль данных в научных исследованиях и детектирование объектов. На практике размечают, обучают модель YOLO и проверяют её работу на новых изображениях и в ТрекиКод. | Размечать объекты рамками для подготовки датасета, обучать нейронную сеть на детектирование и проверять обнаружение объектов на изображениях. |
| 6. Использование нейронных сетей в учёбе | Рассматривается применение ИИ в образовании и необходимость проверки его выводов. На практике учатся использовать, собирают и размечают фотографии: обучают YOLO и проверяют модель в игре «Строгий учитель». | Создавать собственный датасет, размечать изображения, обучать YOLO и проверять распознавание наличия или отсутствии объекта в кадре. |
| 7. Использование нейронных сетей для защиты окружающей среды | Изучаются задачи охраны природы и распознавания заболеваний растений. На практике обучают MobileNetV2 определять состояние растений по фотографиям и проверяют модель в викторине ТрекиКод. | Создавать и обучать классификатор на основе готовой архитектуры и распознавать состояние растений по изображениям. |
| 8. Использование технологий искусственного интеллекта в промышленности | Изучают возможности ИИ в промышленности, контроле качества и сортировке ресурсов. На практике размечают карточки «кирпич», «дерево», «камень», обучают нейронную сеть на детектирование и используют распознавание в строительной игре в среде ТрекиКод. | Размечать разные классы объектов, разрабатывать и обучать нейронную сеть на детектирование ресурсов, применять результаты в интерактивном проекте. |
| 9. Использование искусственного интеллекта в медицине | Рассматривается использование ИИ при анализе медицинских снимков и особенности таких систем. На практике создают учебный классификатор снимков МРТ на основе MobileNetV2 и GRU, анализируют результат работы нейронной сети. | Создавать и обучать нейронные сети для классификации медицинских изображений, проверять и оценивать точность распознавания. |
| 10. Использование искусственного интеллекта для творческих задач | Рассматриваются возможности применения искусственного интеллекта в искусстве, технологии распознавания и генерации изображений. На практике обучающиеся создают и обучают нейронную сеть на основе MobileNetV2 для распознавания девяти архитектурных стилей, а затем применяют её в интерактивной виртуальной экскурсии в ТрекиКод. | Создавать и обучать многоклассовый классификатор, использовать распознавание архитектурных стилей в интерактивном проекте. |
9 класс. Курс «Искусственный интеллект: создание нейронных сетей и управление игровыми объектами»
12 практических занятий — курс в разработке
Для учащихся 9 класса разрабатывается курс из 12 занятий по 45 минут , ориентированный на более глубокое изучение принципов работы нейронных сетей и освоение практических способов их разработки.
В отличие от программы для 7–8 классов, основное внимание будет уделено не столько изучению отраслевых примеров применения ИИ, сколько самостоятельному созданию, обучению и использованию нейронных сетей.
В программной среде NNTrack школьники познакомятся с устройством нейронных сетей, научатся собирать их архитектуры из визуальных блоков, работать с данными, запускать обучение и проверять результаты работы моделей.
Важной частью курса станут игровые практикумы. Учащиеся смогут использовать нейронные сети для управления игровыми объектами, например машинкой и персонажем в лабиринте. При выполнении заданий можно будет применять как готовые обученные нейронные сети, так и модели, созданные и обученные самими школьниками.
Игровой формат позволит наглядно увидеть, как результаты распознавания преобразуются в действия управляемого объекта, а также сравнить работу разных моделей в одинаковых условиях.
При изучении технологий ИИ будут рассматриваться вопросы этичного, безопасного и ответственного использования нейронных сетей в деятельности человека.
Ожидаемый результат обучения: школьники приобретут навыки разработки и обучения нейронных сетей, научатся применять готовые и собственные модели для управления игровыми объектами и решения практических задач.
| № | Тема занятия | Теория | Практика |
|---|---|---|---|
| 1 | Что такое искусственный интеллект и нейронные сети? | Понятие ИИ, направления применения и перспективы развития. Назначение нейронных сетей. | Интерактивное задание Яндекса «Почувствуй себя нейросетью». |
| 2 | Как работают нейронные сети? | Задачи нейронных сетей. Искусственные нейроны, слои и принцип обработки информации. | Игра «Гонки». Управление игровым объектом с помощью готовой нейронной сети. |
| 3 | Принципы обучения нейронной сети | Архитектура модели, обучающие данные, веса и основные этапы обучения. | Создание, обучение и проверка первой нейронной сети в NNTrack. |
| 4 | Основы создания свёрточных нейронных сетей | Принцип свёртки, выделение признаков изображений и структура свёрточной сети. | Игра «Лабиринт». Управление машинкой с помощью готовой и самостоятельно обученной модели. |
| 5 | Дополнительные параметры обучения нейронной сети | Размер партии данных, валидационная выборка и оптимизаторы. | Обучение модели с изменением параметров и сравнение результатов. |
| 6 | Дополнительные механизмы обучения нейронных сетей | Переобучение, способы его предотвращения и аугментация данных. | Обучение модели с дополнительными механизмами и анализ их влияния на качество. |
| 7 | Трансферное обучение | Применение предварительно обученных моделей для решения новых задач. | Обучение трансферной модели и сравнение результатов с моделью без переноса обученных весов. |
| 8 | Создание собственной нейронной сети для классификации | Проектирование архитектуры, выбор слоёв и функций активации. | Разработка и обучение собственной архитектуры нейронной сети в NNTrack. |
| 9 | Создание собственного набора данных | Формирование датасета, классы объектов и разделение данных на выборки. | Сбор и подготовка изображений для обучения собственной модели. |
| 10 | Творческий проект. Разработка нейронной сети | Постановка задачи, выбор архитектуры и планирование обучения. | Подготовка датасета, создание модели и первоначальное обучение. |
| 11 | Творческий проект. Исследование и применение модели | Проверка качества модели и способы улучшения результатов. | Тестирование, доработка нейронной сети и представление собственного проекта. |
| 12 | Этика и информационная безопасность в искусственном интеллекте | Принципы этичного, безопасного и ответственного использования ИИ. | Разбор примеров применения ИИ, проверка достоверности результатов и обсуждение правил безопасного использования. |
10–11 классы. Углублённый курс «Разработка и обучение нейросетей в среде визуального моделирования NNTrack»
Углублённый курс рассчитан на 30 занятий по 2 академических часа и посвящён изучению современных технологий искусственного интеллекта, самостоятельной разработке нейронных сетей и их практическому применению.
Школьники изучают классификацию, детектирование объектов, регрессию, кластеризацию, методы обучения и оценки качества моделей. В программной среде NNTrack они самостоятельно создают архитектуры нейронных сетей, настраивают параметры обучения, проводят эксперименты, сравнивают результаты и исследуют способы повышения качества работы моделей.
Практические задания охватывают различные направления использования искусственного интеллекта и позволяют применять полученные знания при выполнении исследовательских и проектных работ.
Наряду с технической подготовкой программа формирует представление об этике использования искусственного интеллекта, принципах безопасного и ответственного применения интеллектуальных технологий и перспективах их развития.
Результат обучения: старшеклассники формируют навыки создания, обучения и исследования нейронных сетей, реализации собственных проектов и применения искусственного интеллекта для решения практических задач, осваивая принципы этичного, безопасного и ответственного использования современных технологий.
| Разделы и темы занятий | Цель занятия | Теория | Практика |
|---|---|---|---|
| Раздел 1. Классификация | |||
| Занятие 1. Что такое искусственный интеллект и нейросети? | Сформировать представление обучающихся о технологии искусственного интеллекта, его использовании и перспективе развития. | Обучающиеся знакомятся с основными понятиями искусственного интеллекта и нейронных сетей. Рассматриваются области применения ИИ в современном мире, перспективы его развития, а также назначение нейросетей и возможности среды NNTrack для изучения и моделирования интеллектуальных систем. | Обучающиеся осваивают базовые приёмы работы в визуальной среде NNTrack: переходят в окно моделирования, добавляют блоки, соединяют их между собой, учатся клонировать и удалять элементы, знакомятся с процессом обучения нейронной сети через практическую игру «Почувствуй себя нейросетью». |
| Занятие 2. Разработка архитектуры свёрточной нейросети | Изучить принципы построения свёрточных нейросетей и разработать простейшую модель свёрточной нейросети. | Обучающиеся изучают задачу классификации изображений и узнают, почему для её решения в NNTrack используются свёрточные нейронные сети. Также рассматривается структура свёрточной нейросети: свёрточные слои, слои подвыборки, полносвязные слои, персептрон, функция активации и Softmax. | Обучающиеся формируют навыки проектирования архитектуры свёрточной нейросети в среде NNTrack. Разрабатывают простейшую модель свёрточной нейросети, анализируют её структуру, результаты работы по созданной архитектуре и заносят их в таблицу. |
| Занятие 3. Настройка обучения свёрточной нейронной сети в среде NNTrack | Сформировать представление обучающихся о процессе обучения свёрточной нейросети и научиться настраивать параметры обучения. | Обучающиеся изучают процесс обучения свёрточной нейронной сети и основные параметры, которые влияют на качество обучения: эпохи, итерации, батчи, функцию потерь, функцию метрики, валидацию, оптимизатор, аугментацию данных и предотвращение переобучения. В процессе изучения темы занятия рассматривается, как по значениям метрик и потерь можно понять, насколько хорошо обучается нейросеть, какие признаки могут указывать на недообучение или переобучение. | Обучающиеся выполняют настройки обучения ранее созданной модели в NNTrack и проводят несколько экспериментов с разными параметрами обучения. В ходе практики обучающиеся последовательно изменяют количество эпох, размер батча, процент разбиения данных и настройки аугментации, анализируя результат и формируя навыки настройки параметров обучения нейросети. Все результаты фиксируются, обучающиеся заполняют таблицы для анализа качества работы нейросети. |
| Занятие 4. Параметры обучения свёрточной нейросети | Изучить многообразие параметров обучения свёрточной нейросети и сформировать навыки работы с ними. | Обучающиеся повторяют и расширяют знания о параметрах обучения свёрточной нейросети: функциях метрики, оптимизаторах, аугментации данных и способах предотвращения переобучения. Также рассматривается, как разные метрики, оптимизаторы и настройки обучения помогают оценивать качество работы модели и улучшать результаты обучения. | Обучающиеся продолжают работать с ранее созданной моделью в NNTrack и проводят серию экспериментов с разными настройками обучения. Они изменяют функции метрики, сравнивают оптимизаторы, настраивают аугментацию и предотвращение переобучения, обучают модель, фиксируют результаты в таблицах и учатся анализировать полученные результаты и делать выводы о качестве работы нейросети. |
| Занятие 5. Анализ работоспособности разработанной свёрточной нейросети | Формирование представления о процессе тестирования разработанной свёрточной нейросети. | Обучающиеся изучают, как проверять работоспособность разработанной свёрточной нейросети с помощью тестирования и матрицы ошибок. Также рассматривается, зачем нужна матрица ошибок, где она применяется и как на её основе рассчитываются основные метрики качества модели: категориальная правильность, точность, полнота и F1-мера. | Обучающиеся на практике тестируют свою модель в NNTrack, строят матрицу ошибок и анализируют результаты распознавания на тестовом датасете, рассчитывают значения основных метрик, учатся добавлять новые изображения в датасет, повторно проводят анализ и делают вывод о том, насколько хорошо работает обученная нейросеть и нуждается ли она в доработке. |
| Занятие 6. Анализ влияния гиперпараметров слоёв свёрточной нейросети на эффективность обучения модели | Сформировать представление обучающихся о процессе настройки параметров слоёв свёрточной нейросети. | Обучающиеся изучают факторы, влияющие на качество обучения нейросети, и знакомятся с различием между параметрами и гиперпараметрами модели. На занятии изучаются основные гиперпараметры слоёв свёртки и пулинга: количество фильтров, размер ядра, шаг свёртки, padding и pool size. | Обучающиеся учатся настраивать архитектуру свёрточной нейросети в NNTrack и анализировать, как изменение гиперпараметров влияет на результаты обучения. В ходе практической работы обучающиеся создают модель с тремя слоями свёртки, меняют padding и параметры pool size, обучают нейросеть, фиксируют результаты в таблицах, анализируют результаты, делают выводы о качестве работы модели. |
| Занятие 7. Анализ влияния гиперпараметров слоёв свёрточной нейросети на эффективность обучения модели | Сформировать представление обучающихся о процессе настройки гиперпараметров слоёв свёрточной нейросети. | Обучающиеся продолжают изучать гиперпараметры слоёв свёрточной нейросети и узнают, как они влияют на качество обучения модели. На занятии изучаются дополнительные настройки свёрточных слоёв и слоёв пулинга: use_bias, kernel_initializer, bias_initializer, kernel_regularizer, bias_regularizer, strides, padding и data_format, разбираются особенности настройки и примеры их использования. | Обучающиеся пошагово оптимизируют гиперпараметры свёрточной нейросети в NNTrack и сравнивают результаты разных вариантов обучения. Они изменяют padding и strides в слоях пулинга, настраивают use_bias, kernel_initializer и kernel_regularizer в свёрточных слоях, фиксируют результаты в таблицах и делают выводы о том, какие настройки улучшают качество классификации. |
| Занятие 8. Изучение новых слоёв свёрточной нейросети | Сформировать представление обучающихся о многообразии слоёв свёрточной нейросети. | Обучающиеся знакомятся с новыми слоями свёрточной нейросети, которые относятся к разделам активации и свёртки. Изучаются функции активации Leaky ReLU, PReLU, ELU и Sigmoid, а также свёрточные слои DepthwiseConv2D и SeparableConv2D, их назначение и особенности применения в архитектуре нейросети. | Обучающиеся исследуют, как разные функции активации и типы свёрточных слоёв влияют на качество обучения модели в NNTrack. Далее обучают нейросеть с вариантами Leaky ReLU, PReLU и ELU, сравнивают DepthwiseConv2D и SeparableConv2D, фиксируют результаты в таблицах и делают выводы о наиболее эффективной архитектуре. |
| Занятие 9. Изучение новых слоёв свёрточной нейросети | Сформировать представление обучающихся о многообразии слоёв свёрточной нейросети. | Обучающиеся знакомятся с новыми слоями свёрточной нейросети, относящимися к операциям нормализации и пулинга. Изучаются слои BatchNormalization, LayerNormalization, AveragePooling2D, GlobalAveragePooling2D, GlobalMaxPooling2D. Рассматривается их назначение и особенности применения в архитектуре модели. | Обучающиеся исследуют, как разные способы нормализации и виды глобального пулинга влияют на качество обучения нейросети в NNTrack. Обучающиеся обучают модель с BatchNormalization, LayerNormalization, затем сравнивают GlobalAveragePooling2D и GlobalMaxPooling2D вместо слоя Flatten, фиксируют результаты в таблицах, анализируют результаты и делают выводы о наиболее эффективной конфигурации. |
| Занятие 10. Изучение новых слоёв свёрточной нейросети | Сформировать представление обучающихся о многообразии слоёв свёрточной нейросети. | Обучающиеся знакомятся с новыми слоями свёрточной нейросети, относящимися к операциям регуляризации и изменения формы данных. Рассматриваются слои ActivityRegularization, AlphaDropout, Dropout, GaussianDropout, GaussianNoise, SpatialDropout2D, ZeroPadding2D, их назначение, особенности работы и роль в предотвращении переобучения модели. | Обучающиеся исследуют, как разные способы регуляризации влияют на процесс обучения свёрточной нейросети в NNTrack. Они обучают модель с различными слоями регуляризации, фиксируют результаты в таблицах, сравнивают качество обучения и делают вывод о том, какие слои помогают улучшить устойчивость и обобщающую способность модели. |
| Занятие 11. Подбор слоёв свёрточной нейронной сети под задачу классификации 10 объектов. Эксперимент | Сформировать представление обучающихся о многообразии слоёв свёрточной нейросети. | Обучающиеся изучают, как экспериментальным путём подбирать слои свёрточной нейронной сети под задачу классификации 10 объектов. Изучается последовательное сравнение разных вариантов архитектуры: слоёв свёртки, функций активации, нормализации, пулинга, регуляризации и полносвязных слоёв по значениям функции метрики на тренировочных и тестовых данных. | Обучающиеся самостоятельно проводят эксперимент по улучшению качества работы модели в NNTrack. На практике обучающиеся учатся изменять архитектуру нейросети, обучать разные варианты модели, фиксируют результаты, сравнивают показатели метрики и делают вывод о том, какие слои и настройки дают лучший результат для задачи классификации. |
| Занятие 12. Что такое рекуррентные нейросети? | Сформировать представление обучающихся о рекуррентных нейросетях. | Обучающиеся знакомятся с рекуррентными нейросетями и узнают, почему для работы с текстом, речью, временными рядами, видеоданными и другими последовательностями обычной нейросети «не хватает памяти». Также рассматривается, что такое последовательность данных, как может работать комбинация свёрточной и рекуррентной нейросети, и какие ограничения есть у рекуррентных моделей. | Обучающиеся на простых примерах осваивают принцип работы рекуррентных нейросетей с последовательными данными. Они продолжают словесные и числовые последовательности, анализируют наборы признаков изображений, придумывают собственные примеры и объясняют, почему для таких задач важно умение нейросети запоминать предыдущую информацию. |
| Занятие 13. Разработка гибридной архитектуры с использованием свёрточных слоёв, рекуррентного слоя SimpleRNN и выходных слоёв | Изучить принципы построения гибридной архитектуры со свёрточными слоями и рекуррентным слоем в среде NNTrack. | Обучающиеся изучают принцип построения гибридной архитектуры, в которой объединяются свёрточные слои и рекуррентный слой SimpleRNN. Рассматривается задача классификации эмоций на датасете FER-2013, назначение слоя SimpleRNN, его основные гиперпараметры, а также роль слоя Reshape для подготовки данных перед передачей признаков в рекуррентный слой. | Обучающиеся создают и обучают две модели в NNTrack: обычную свёрточную нейросеть и гибридную архитектуру со свёрточными слоями, слоями пулинга и SimpleRNN. После обучения данные фиксируются и результаты заносят в таблицы, сравнивают качество работы двух архитектур и делают вывод о целесообразности использования рекуррентного слоя для задачи классификации эмоций. |
| Занятие 14. Разработка гибридной архитектуры с использованием свёрточных слоёв, рекуррентного слоя LSTM и выходных слоёв | Изучить принципы построения гибридной архитектуры со свёрточными слоями и рекуррентным слоем в среде NNTrack. | Обучающиеся изучают принципы построения гибридной архитектуры, объединяющей свёрточные слои и рекуррентный слой LSTM, назначение слоя LSTM, способность учитывать длительные зависимости в последовательностях, основные гиперпараметры, а также роль CNN-блока и слоя Reshape при подготовке признаков изображения для рекуррентной обработки. | Обучающиеся создают и обучают две модели в NNTrack на датасете FER-2013: обычную свёрточную нейросеть и гибридную архитектуру со свёрточными слоями, слоями пулинга и LSTM. После обучения фиксируются результаты в таблицах, сравнивают качество работы двух архитектур и делают вывод о том, насколько эффективно использование LSTM для задачи классификации эмоций. |
| Занятие 15. Разработка гибридной архитектуры с использованием свёрточных слоёв, рекуррентного слоя GRU и выходных слоёв | Изучить принципы построения гибридной архитектуры со свёрточными слоями и рекуррентным слоем в среде NNTrack. | На занятии обучающиеся изучают принципы построения гибридной архитектуры со свёрточными слоями и рекуррентным слоем GRU. Изучается назначение GRU, его более простая структура по сравнению с LSTM, основные гиперпараметры слоя, а также повторяется идея совместного использования CNN для извлечения признаков и RNN для анализа их последовательных связей. | Обучающиеся создают и обучают две модели в NNTrack на датасете FER-2013: обычную свёрточную нейросеть и гибридную архитектуру со свёрточными слоями, слоями пулинга и GRU. После обучения заполняют таблицы, сравнивают результаты двух архитектур и делают вывод о том, помогает ли использование GRU улучшить качество классификации эмоций. |
| Занятие 16. Творческое занятие. Построение и обучение нейросети для решения задачи классификации | Закрепление и развитие навыков разработки свёрточной нейросети для решения задачи классификации. | Обучающиеся повторяют принципы построения свёрточной нейросети для задачи классификации и рассматривают, почему простейшая архитектура не всегда подходит для сложных задач. Также закрепляется идея более глубокой архитектуры с чередованием слоёв свёртки и пулинга, которая позволяет постепенно выделять признаки изображения, уменьшать лишние детали и улучшать качество распознавания. | Обучающиеся самостоятельно проектируют и улучшают архитектуру свёрточной нейросети в NNTrack для классификации эмоций на датасете FER-2013. Они создают базовую модель, делают её глубже, добавляют слои нормализации и регуляризации, экспериментально подбирают слои свёртки, активации и пулинга, обучают модель, тестируют её и фиксируют результаты в таблицах. |
| Раздел 2. Трансферное обучение | |||
| Занятие 17. Трансферное обучение как метод машинного обучения | Сформировать представление обучающихся о подходе трансферного обучения. | Обучающиеся знакомятся с понятием трансферного обучения и узнают, как предварительно обученные модели можно использовать для решения новых задач без обучения «с нуля». Также рассматриваются основные подходы к трансферному обучению: извлечение признаков, тонкая настройка, адаптация предметной области, межъязыковой перенос знаний и zero-shot learning, а также их преимущества и ограничения. | Обучающиеся закрепляют теорию, заполняя таблицу с описанием основных подходов трансферного обучения. Они выполняют практикум по zero-shot подходу на примере Yandex GPT, проверяют, как языковая модель решает задачу без предварительного обучения на примерах, фиксируют результаты и делают выводы. |
| Занятие 18. Разработка и обучение модели под задачу классификации с использованием трансферного обучения в среде NNTrack | Формирование представления о разработке и обучении свёрточной нейросети с использованием трансферного обучения. | Обучающиеся изучают, как использовать трансферное обучение в NNTrack для решения задачи классификации изображений растений. На занятии изучается два подхода: извлечение признаков, где предобученная модель MobileNet используется как готовый блок для выделения признаков, и тонкая настройка, где к предобученной архитектуре добавляются обучаемые слои для лучшей адаптации под новый датасет. | Обучающиеся создают две модели для классификации пяти классов растений: лилии, лотоса, орхидеи, подсолнуха и тюльпана. Они обучают модель с подходом извлечения признаков и модель с подходом тонкой настройки на датасете flower_images, настраивают параметры обучения, аугментацию и предотвращение переобучения, фиксируют результаты в таблицах и сравнивают, какой подход оказался эффективнее. |
| Занятие 19. Творческое занятие. Разработка, обучение и сравнение моделей под задачу классификации с использованием трансферного обучения в среде NNTrack | Закрепление навыков разработки и обучения свёрточных нейросетей с использованием трансферного обучения. | Обучающиеся повторяют, что такое трансферное обучение и какие основные подходы используются при работе с предварительно обученными нейросетями. На занятии изучается реализация подходов «Извлечение признаков» и «Тонкая настройка» в NNTrack: выбор готовой архитектуры, настройка её гиперпараметров, заморозка весов, добавление классификатора и дополнительного обучаемого блока для адаптации модели под задачу. | Обучающиеся самостоятельно выбирают несколько готовых архитектур нейросетей и создают на их основе модели для классификации растений из датасета flower_images. Они обучают модели с подходом извлечения признаков и с подходом тонкой настройки, фиксируют результаты после каждого обучения, заполняют таблицы и сравнивают, какие архитектуры и какой подход более эффективен. |
| Раздел 3. Детектирование | |||
| Занятие 20. Что такое детектирование? | Сформировать представление обучающихся о задаче детектирования объектов в компьютерном зрении. | Обучающиеся знакомятся с задачей детектирования объектов и узнают, чем она отличается от обычной классификации изображений. На занятии изучается, где применяется детектирование, как нейросеть определяет класс объекта и его координаты на изображении, почему модели YOLO используются для быстрого распознавания объектов в реальном времени. | Обучающиеся закрепляют знания о детектировании и тестируют готовую нейросеть в NNTrack. В ходе выполнения практической работы запускают модель «Распознавание 80 объектов», с помощью камеры распознают несколько предметов, фиксируют вероятность распознавания каждого объекта в таблице и делают вывод о качестве работы модели. |
| Занятие 21. Разработка и обучение модели под задачу детектирования в среде NNTrack | Сформировать у обучающихся первоначальные знания о принципах разработки, настройки и обучения нейронной сети YOLO для решения задач детектирования объектов. | Обучающиеся изучают, как разрабатывать и обучать модель YOLO для задачи детектирования объектов в среде NNTrack. Рассматривается задача обнаружения пожаров по четырём классам: огонь, свет, нет огня и дым, а также повторяется принцип работы YOLO как одноступенчатого детектора, который за один проход определяет объекты, их классы и координаты рамок. | Обучающиеся создают проект типа «Детектирование», выбирают готовые архитектуры YOLO и обучают их на датасете fire_detection. Они настраивают размер изображений, количество эпох, оптимизатор, предотвращение переобучения и аугментацию, затем фиксируют результаты обучения в таблицах, сравнивают архитектуры YOLO Old n и YOLO New n и делают вывод о качестве детектирования пожаров. |
| Занятие 22. Творческое занятие. Разработка, обучение и сравнение моделей под задачу детектирования в среде NNTrack | Закрепление навыков разработки и обучения нейросетей под задачу детектирования. | Обучающиеся повторяют, что такое детектирование и как в NNTrack выполняется обучение моделей YOLO для поиска объектов на изображении. Также закрепляются основные параметры обучения YOLO, настройки аугментации и способы анализа результатов по графикам потерь и метрик: Box Loss, Cls Loss, Dfl Loss, Precision, Recall и mAP50. | Обучающиеся самостоятельно обучают и сравнивают несколько архитектур YOLO на датасете fire_detection, настраивают параметры обучения, запускают модели YOLO Old n, YOLO Old s, YOLO New n и YOLO New s, фиксируют результаты в таблице и делают вывод о том, какая архитектура лучше справилась с задачей детектирования пожаров. |
| Раздел 4. Кластеризация | |||
| Занятие 23. Кластеризация данных | Формирование у обучающихся представления о кластеризации как задаче машинного обучения. | Обучающиеся повторяют, что такое кластеризация и зачем она нужна, а также отличие кластеризации от классификации. Закрепляются понятия «объект», «признак», «сходство» и «кластер», принцип работы алгоритма кластеризации (на примере K-Means) и примеры применения: точки на плоскости, интернет-магазин, изображения. Также обсуждаются роль выбора признаков и подготовки данных (нормализация, отбор признаков), а также возможности и ограничения кластеризации (проблема выбора K, чувствительность к шумам, форма кластеров). | Обучающиеся выполняют практическую работу № 1, в которой учатся определять признаки объектов на основе уже сформированных групп: анализируют таблицу с объектами, разделёнными на 3 группы, выявляют общие свойства, предлагают не менее двух признаков для каждой группы, дают названия группам и обосновывают выбор. В практической работе № 2 обучающиеся осваивают поиск групп похожих объектов по значениям признаков: рассматривают данные покупателей, находят похожих по значениям, разделяют всех на 3 кластера, записывают состав каждого кластера, объясняют сходство внутри кластера по признакам и придумывают подходящие названия для кластеров. |
| Занятие 24. Большие данные | Формирование у обучающихся представления о больших данных. | Обучающиеся изучают, что такое большие данные и зачем они нужны, откуда они берутся и их основные особенности (объём, скорость, разнообразие и др.). Рассматривается, как большие данные преобразуются в результат, их связь с машинным обучением (классификация, регрессия, кластеризация), приводятся примеры, обсуждается важность качества данных, а также возможности и границы их применения. | В практической работе № 1 обучающиеся осваивают классификацию: по данным таблицы относят объекты к заранее заданным классам на основе значений признаков, фиксируют выбранный класс и объясняют, какие признаки помогли принять решение. В практической работе № 2 закрепляется регрессия: на основе признаков объектов определяют влияющие факторы, находят похожие примеры, прогнозируют числовой результат для новых объектов, записывают его и объясняют, какие признаки сильнее всего повлияли на оценку. |
| Занятие 25. Решение задач классификации и регрессии в больших данных в среде NNTrack | Формирование представления о разработке и обучении нейросети для решения задачи классификации и регрессии в больших данных. | Обучающиеся знакомятся с задачами занятия, повторяют определения классификации и регрессии, а также структуру полносвязной нейросети и дерева решений. Рассматривается реализация решения задач классификации и регрессии в больших данных в среде NNTrack. | В практической работе обучающиеся выполняют два задания: создают и обучают модель классификации на датасете «Good weather» с настройкой параметра «Набор данных», заполняют таблицу № 1 и делают вывод; затем создают и обучают модель регрессии на датасете «linear regression», настраивая аналогичный параметр, заполняют таблицу № 2 и делают вывод. |
| Занятие 26. Тестирование обученных нейросетей для задач классификации и регрессии в больших данных в среде NNTrack | Формирование представления о разработке и обучении нейросети для решения задачи классификации и регрессии в больших данных. | Обучающиеся повторяют, зачем нужно тестирование обученной нейросети, и знакомятся с процедурой тестирования моделей для задач классификации и регрессии в больших данных в среде NNTrack. | В практической работе выполняют два задания: импортируют проект классификации, тестируют наборы признаков в режиме «Обработка 1 набора признаков», заполняют таблицу прогнозами, сравнивают с правильными ответами и делают вывод; затем импортируют проект регрессии, аналогично тестируют наборы признаков, записывают предсказанные числовые значения, вычисляют отклонения от правильных ответов, заполняют таблицу и делают вывод. |
| Раздел 6. Создание датасетов | |||
| Занятие 27. Подготовка датасета под задачу классификации изображений | Сформировать умение самостоятельно собирать, размечать, проверять и разделять датасет для задачи классификации изображений, а также оценивать качество исходных данных перед обучением модели в NNTrack. | Обучающиеся изучают, что такое датасет для классификации изображений, метки классов и разметка. Рассматриваются требования к качеству данных: баланс классов, разнообразие экземпляров, фонов, ракурсов и освещения, репрезентативность и отсутствие ложных зависимостей. Обсуждаются очистка датасета, удаление дубликатов и ошибочных изображений, разделение на обучающую и тестовую выборки без попадания одинаковых и почти одинаковых кадров в обе выборки. | Обучающиеся собирают и проверяют по 30 оригинальных фотографий чашек, ложек и ключей, распределяют их по классам cup, spoon и key. Формируют обучающую и тестовую выборки: по 24 и 6 изображений каждого класса. В NNTrack обучают исходную модель без аугментации, фиксируют потери и метрики, анализируют матрицу ошибок. Заполняют таблицы и формулируют выводы о качестве датасета и необходимых улучшениях. |
| Занятие 28. Аугментация датасета под задачу классификации изображений | Сформировать понимание назначения аугментации данных и научить оценивать интенсивность преобразований изображения, отличать реалистичные изменения от чрезмерных и выбирать аугментацию только для тех задач, где она соответствует реальным условиям работы модели. | Обучающиеся изучают назначение аугментации и её связь с переобучением, различия между offline- и online-аугментацией. Рассматриваются изменение яркости и контраста, поворот, масштабирование, сдвиг и горизонтальное отражение. Обсуждаются необходимость преобразований для конкретной задачи, допустимая интенсивность и совместное действие нескольких преобразований. Подчёркивается важность сохранения класса и реалистичности изображений, соответствия реальным условиям работы модели и неизменности тестовой выборки. | Обучающиеся определяют необходимость аугментации для предложенных задач, сравнивают подготовленные примеры с разной интенсивностью преобразований и выбирают допустимые настройки для изображений чашек, ложек и ключей. Затем обучают модель в NNTrack с выбранной аугментацией, сохраняя архитектуру, разделение данных и остальные параметры обучения. Сравнивают потери и метрики с исходной моделью занятия 27, заполняют таблицы, обосновывают выбор настроек и делают выводы. |
| Занятие 29. Влияние интенсивности аугментации на качество классификации изображений. Эксперимент | Экспериментальным путём определить, как различная интенсивность аугментации влияет на качество классификации изображений, сформировать навык сравнения моделей при неизменных условиях обучения. | Обучающиеся изучают правила контролируемого эксперимента, в котором изменяется только интенсивность аугментации. Рассматривается необходимость сохранять датасет, разделение выборок, архитектуру, число эпох и остальные настройки обучения. Повторяются способы сравнения обучающей и тестовой точности Accuracy, определения разницы между ними и анализа матрицы ошибок. Обсуждаются признаки переобучения и влияние чрезмерных преобразований на узнаваемость объектов и качество классификации. | Обучающиеся проводят в NNTrack четыре опыта по 5 эпох: без аугментации, с умеренной, сильной и экстремальной аугментацией. В каждом опыте фиксируют Accuracy на обучающей и тестовой выборках, разницу между ними и матрицу ошибок. Сравнивают качество распознавания классов на неизменённой тестовой выборке, заполняют таблицы опытов и сводную таблицу, формулируют общий вывод и обосновывают выбор подходящей интенсивности преобразований. |
| Занятие 30. Подготовка датасета под задачу детектирования объектов | Сформировать умение самостоятельно собирать, размечать, проверять и разделять датасет для задачи детектирования объектов, оценивать качество изображений и разметки перед обучением модели в NNTrack. | Обучающиеся изучают отличие детектирования объектов от классификации изображений, структуру датасета для детектирования, назначение меток классов и ограничивающих рамок. Рассматриваются правила разметки в программе YOLO_labeler, баланс по количеству изображений и размеченных объектов, разнообразие экземпляров и условий съёмки, репрезентативность и ложные зависимости. Обсуждаются очистка данных, проверка аннотаций и разделение на обучающую, валидационную и тестовую выборки без пересечения одинаковых и почти одинаковых сцен. | Обучающиеся собирают изображения чашек, ложек и ключей, размечают все целевые объекты, проверяют классы и ограничивающие рамки, оценивают баланс и разнообразие датасета. Разделяют изображения и аннотации на Train 75%, Val 5% и Test 20%. В NNTrack обучают исходную модель без аугментации, фиксируют доступные показатели Precision, Recall, mAP50 и mAP50-95. Анализируют пропуски объектов, ложные обнаружения и неточные рамки, заполняют таблицы и формулируют выводы. |
От знакомства с искусственным интеллектом — к собственным проектам
Последовательное обучение с 7 по 11 класс позволяет школьникам пройти путь от изучения возможностей интеллектуальных технологий в различных отраслях промышленности и экономики до самостоятельной разработки и применения нейронных сетей.
Использование программных сред NNTrack и «ТрекиКод» объединяет теоретическую подготовку, практические эксперименты, игровые задания и проектную деятельность, помогая школьникам не только осваивать современные технологии, но и формировать культуру их ответственного использования.