Pracownia AI · materiały dla nauczycieli

Orange Data Mining w szkole — pierwsze ćwiczenie bez pisania kodu

Orange pozwala budować analizę danych z połączonych elementów graficznych, nazywanych widgetami. Dzięki temu można rozpocząć zajęcia od pytania badawczego i interpretacji wykresu, zanim uczniowie poznają składnię języka programowania. Oficjalne wprowadzenie do Orange.

Pierwsze zadanie powinno dotyczyć małego, zrozumiałego zbioru. Dobrym tematem jest porównanie cech fikcyjnych urządzeń.

Dane do ćwiczenia

Zapisz poniższy tekst w pliku CSV w kodowaniu UTF-8. To syntetyczne dane dydaktyczne, nie aktualna oferta produktów.

model,masa_g,bateria_mah,cena_zl
A,160,4000,900
B,185,5000,1200
C,172,4500,1100
D,210,6000,1500
E,190,4500,1800
F,175,5000,1300

Pytanie badawcze: „Czy urządzenia o większej pojemności baterii są w tym zestawie zawsze cięższe?”. Słowo „zawsze” zmusza do poszukania kontrprzykładu.

Przebieg pracy

  1. Wczytaj plik przez widget File.
  2. Sprawdź, czy kolumny liczbowe zostały rozpoznane jako liczby.
  3. Połącz dane z Data Table i odczytaj rekordy.
  4. Dodaj Scatter Plot, ustawiając pojemność baterii na jednej osi, a masę na drugiej.
  5. Poproś uczniów o wskazanie pary, która podważa lub wspiera pierwotne przypuszczenie.

Nazwy i rozmieszczenie opcji warto sprawdzić w zainstalowanej wersji. Widgety są łączone w przepływ analizy; przykładów takich przepływów dostarcza katalog Orange.

Jakiego wniosku oczekiwać?

Urządzenie F ma większą pojemność baterii niż E, ale mniejszą masę. Zatem w tym zbiorze większa bateria nie zawsze oznacza większą masę. Ten jeden kontrprzykład wystarcza do odrzucenia twierdzenia zawierającego „zawsze”.

Nie wystarcza jednak do opisania całego rynku urządzeń. Sześć fikcyjnych rekordów służy nauce rozumowania i obsługi narzędzia, a nie badaniu rzeczywistych zależności konsumenckich.

Rozszerzenie: od wykresu do modelu

Zapytaj, czy na podstawie tych danych warto przewidywać cenę nowego produktu. Uczniowie powinni zauważyć małą liczbę przykładów oraz brak ważnych cech. Na tym etapie lepiej wskazać ograniczenia niż tworzyć pozornie dokładny model.

W dalszym cyklu można użyć większego zbioru z jasno zdefiniowaną zmienną docelową, omówić podział danych i ocenę przewidywań na przykładach niewykorzystanych do uczenia. Wynik uzyskany na danych uczących nie jest wystarczającym dowodem skuteczności.

Co uczeń oddaje?

Plik przepływu, obraz wykresu i trzy zdania: pytanie, obserwacja, ograniczenie. Za pełne wykonanie uznajemy także poprawny wniosek, że danych jest za mało do mocniejszego twierdzenia.

Czy wizualna analiza danych zawsze oznacza uczenie maszynowe? Nie. Tabela i wykres mogą służyć eksploracji bez trenowania modelu.

Czy ten artykuł wymaga zakupu? Nie. Ćwiczenie jest kompletne. Rozbudowane lekcje Orange w TablicaPro znajdują się poza darmowym działem I.

Na początek poznaj plan zajęć AI, a następnie projekt łączący AI i STEM. Podstawy kursu możesz obejrzeć bez logowania.

Czytaj również