机器如何学习？

大约总时间：2 小时

概括：

这个实践单元通过有趣的、适合年龄的探索，向学生介绍人工智能和机器学习背后的基本思想。学习者充当“人工智能培训师”，教机器识别模式并使用现实世界的例子进行预测。通过使用 Google 的可教学机器和课堂游戏进行引导实验，学生们可以了解如何使用数据来训练人工智能系统、数据不完整或有偏差时会发生什么，以及为什么公平在技术设计中很重要。

课程流程：

第 1 课 – 可教机器（60 分钟）
学生们探索机器如何使用监督学习的过程向人类学习。他们练习训练“机器人”来区分类别（例如鳄鱼与短吻鳄），然后使用谷歌的可教学机器来训练真正的人工智能模型。通过比较结果，他们看到不同的数据如何带来更准确的预测。

第 2 课 – 人工智能的偏见（45-60 分钟）
基于他们的机器学习经验，学生们研究人工智能系统如何因有偏见的训练数据而做出不公平或不准确的决策。通过“机器人可以公平排序吗？”等活动，学生们审视视角的作用，了解算法偏差，并集思广益如何使人工智能系统更加公平和负责任。

大约总时间：2-3小时

概括：

在这个基于项目的单元中，学生通过监督学习和实际应用的实践实验，探索机器如何从数据中学习。他们使用谷歌的训练和测试基于图像的人工智能模型可示教机器，分析输入数据如何影响模型的准确性和公平性。通过参与活动、讨论和媒体示例（包括研究员 Joy Buolamwini 的故事），学生们可以揭示算法偏见如何形成以及它如何影响个人和社区。该单元要求学习者思考有关公平、观点和负责任的人工智能设计的道德问题，同时培养计算思维和数据素养的基础技能。

课程流程：

第一课 – 机器如何学习？ （60 分钟）
学生通过训练人工智能模型来识别图像中的模式来探索监督学习可示教机器。他们以两人或小组的形式工作，收集标记数据，测试模型，并反思数据集质量、多样性和标记选择如何影响性能。可选扩展邀请学生应用机器学习来解决课堂或社区问题。

第 2 课 – 人工智能的偏见（45-60 分钟）
在机器学习实验的基础上，学生们研究偏见如何进入算法和数据集。通过案例研究、视频和在线模拟，例如最有可能的机器，他们分析不平衡的数据如何导致不公平的结果。然后，学生们设计海报，向其他人传授算法偏见，并提出创建更公平、更具包容性的人工智能系统的方法。

大约总时间：2-3 小时

概括：

在这个高中单元中，学生深入了解机器学习和人工智能的核心原理。通过互动课程和模拟，他们探索计算机如何从数据中学习、神经网络如何处理信息以及偏见如何影响人工智能的结果。学生区分监督学习、无监督学习和强化学习，通过神经网络表现数据流，并研究算法偏差如何影响现实世界人工智能系统的公平性。在本单元结束时，学习者将了解机器如何做出决策，以及他们自己在确保人工智能负责任和公平地开发中所扮演的角色。

课程流程：

第一课 – 机器如何学习？ （45 分钟）
学生通过现实世界的例子和基于场景的活动探索机器学习的三种主要类型——监督学习、无监督学习和强化学习。他们确定数据、反馈和决策如何驱动每种方法，并讨论哪种类型为熟悉的人工智能工具提供动力。

第 2 课 – 神经网络内部（45 分钟）
学生通过模拟神经网络进入人工智能的“大脑”。作为输入层、隐藏层和输出层中的节点，他们体验数据如何流动、错误如何导致调整，以及连接如何随着时间的推移加强学习。可选的数字扩展让学生可以使用 Google 的可教学机器训练简单的图像模型。

第 3 课 – 人工智能中的偏见（30 分钟）
学生们研究偏见如何通过数据和设计进入人工智能系统。通过视频、讨论和“偏见侦探”活动，他们发现了算法偏见的例子，分析了其对人类的影响，并集思广益如何构建更公平、更具包容性的技术。