С 25 февраля по 1 марта 2019 года для школьников пройдет всероссийское образовательное мероприятие «Урок Цифры» на тему «Искусственный интеллект и машинное обучение». Это будут необычные уроки информатики, подготовленные специалистами по аналитике данных Сбербанка.
Для учеников с 1-го по 7-й класс урок будет состоять из видеолекции и тренажера, на котором ребята будут «обучать» робота трудиться в зоопарке. Для того, чтобы робот мог отличить животных друг от друга и правильно их кормить, школьникам предстоит очистить данные, разметить их, определить размер выборки, выбрать эффективный алгоритм для проверки и провести «фичеринжиниринг», то есть ранжировать данные по определенным признакам. Все эти шаги выполняются в игровой форме.
Тренажер для старшеклассников – это графический симулятор, в нем ученик видит основные этапы работы с моделью машинного обучения: настройки гиперпараметров нейронной сети, улучшение модели по мере прохождения, изменение результатов модели на тестовых данных, выбор лучшей модели.
Онлайн,Урок Цифры
Дата проведения: 25.02.2019 - 01.03.2019. Начало 25.02.2019 в 09:00
Место проведения: Онлайн
- Анонс
- Программа
- Участники
- Спикеры
С 25 февраля по 1 марта 2019 года для школьников пройдет всероссийское образовательное мероприятие «Урок Цифры» на тему «Искусственный интеллект и машинное обучение». Это будут необычные уроки информатики, подготовленные специалистами по аналитике данных Сбербанка.
Для учеников с 1-го по 7-й класс урок будет состоять из видеолекции и тренажера, на котором ребята будут «обучать» робота трудиться в зоопарке. Для того, чтобы робот мог отличить животных друг от друга и правильно их кормить, школьникам предстоит очистить данные, разметить их, определить размер выборки, выбрать эффективный алгоритм для проверки и провести «фичеринжиниринг», то есть ранжировать данные по определенным признакам. Все эти шаги выполняются в игровой форме.
Тренажер для старшеклассников – это графический симулятор, в нем ученик видит основные этапы работы с моделью машинного обучения: настройки гиперпараметров нейронной сети, улучшение модели по мере прохождения, изменение результатов модели на тестовых данных, выбор лучшей модели.