Določevalni ključi za skupine živali

Kratek povzetek

Z vidika naravoslovja in tehnologije: utrjevanje razlikovanja med skupinami živali.

Z vidika umetne inteligence: učenci spoznajo preprost napovedni model – klasifikacijsko drevo in izvedo, kako ga lahko računalnik sam zgradi. S tem vidijo, kako se računalnik “uči” iz podatkov. Izvedo, da je to le en predstavnik izmed mnogih. Z vidika računalništva na splošno: učenci opišejo algoritem za gradnjo dreves, torej gre tudi za spoznavanje koncept algoritma.

Predvideni potrebni gradniki Orangea: File, Table, Distributions, Tree, Tree Viewer, Predictions.

Učenci znajo:

  • razvrstiti živa bitja v skupine po skupnih značilnostih,
  • opredeliti vrsto kot osnovno enoto za razvrščanje in da so glavne skupine živih bitij kraljestva,
  • razlikovati med nevretenčarji (polži, školjke, žuželke, pajki, kolobarniki) in vretenčarji (ribe, dvoživke, plazilci, ptiči in sesalci),
  • risati, brati in razložiti grafični prikaz (npr. histogram).

Uvod

Naložimo tabelo z živalmi, med katerimi nekaj živali ni razvrščenih v skupine. Med njimi je nekaj znanih živali, nekaj pa je učencem tujih. Znajo zanje (predvsem za tuje na podlagi njihovih lastnosti) določiti, v katero skupino sodijo?

Opazovanje podatkov

Podatke naložimo v File in ga povežemo v Distributions. Tam kot spremenljivko izberemo živalsko skupino, stolpce pa delimo glede na posamezne kriterije. Tako lahko vidimo, na primer, koliko živali iz posamezne skupine leti.

Če želimo sestaviti svoj ključ za razlikovanje med skupinami, pa se nam splača sliko obrniti: delimo glede na vrsto, kot spremenljivke pa izbiramo različne lastnosti. Tako, na primer, vidimo, da imajo zobe predvsem ribe in sestalci, nimajo pa jih ptice, žuželke in nevretenčarji.

Skupaj, frontalno, poiščemo podatek, ki nam čim uspešneje loči katero izmed skupin od ostalih.

Na tablo narišemo začetek drevesa – “daje mleko”, v vejo “Da” napišemo Sesalec, “Ne” pa se bo nadaljevala. V Distributions izberemo “Ne” in podatke povežemo z novim Distributions.

Če so učenci dovolj samostojni, nadaljujejo z gradnjo drevesa: v vsakem koraku najdejo spremenljivko, ki dobro deli preostale živali (v gornjem primeru bi bili to ne-sesalci). Pri tem lahko gre za lastnost, ki je tipična za določeno skupino ali pa za tudi za več skupin, za nekatere pa ne (kot, na primer, do neke mere, zobje v prvem primeru, za vse živali).

Če učenci tega še ne bodo zmogli, drevo sestavimo frontalno. Tako postopno zgradimo drevo, ki je uporabno za razvrščanje.

Bi znali napisati recept, navodila, kako sestaviti takšno drevo? (Učence poskušamo pripeljati do tega, da čimbolj formalno opišejo postopek gradnje, ki smo ga izvajali. Pri tem ne silimo v vprašanje, kako določiti “kvaliteto” distribucije.)

Povemo, da se tak postopek res uporablja. Pokažemo, kakšno drevo iz teh podatkov zgradi Orange.

Uporabimo to sliko za razvrščanje živali, ki v prvi tabeli niso bile razvrščene. Z gradnikom Predictions pogledamo, kako te živali razvrsti (po istem modelu) računalnik.

Zaključek

Učencem povemo, da z računalniki na podoben način sestavljajo tudi modele iz podatkov za povsem druga področja. Tako lahko sestavimo model, ki napoveduje, ali ima nekdo določeno bolezen, katero reklamo se splača pokazati obiskovalcu neke spletne strani in ali se pred samovozečim avtomobilom nahaja kakšna ovira. Model, ki smo ga spoznali ima obliko drevesa. Takšne, preproste modele, so raziskovali predvsem v začetkih umetne inteligence. Današnji modeli so bolj zapleteni, osnovna ideja pa je še vedno podobna.

Informacije o aktivnosti

  • Predmet: biologija
  • Starost: 4. razred
  • UI tema: klasifikacija
  • Razlaga ozadja:
    • klasifikacija pdf
    • predavanje o klasifikaciji mov
  • Potek aktivnosti:
    • ucna ura pdf
    • ucni list pdf
    • podatki 1 csv
    • podatki 2 csv
    • video ucne ure mov
    • delotok ows