Machine Learning, Maths & Ethics: Hands-on

Descrição Geral

* Se já fez o registo na nossa plataforma de elearning MOOC Técnico, então faça o login para se inscrever no curso. Caso contrário, Inscreva-se gratuitamente na plataforma MOOC Técnico seguindo as instruções.

Gostarias de saber o que é Aprendizagem Automática (Machine Learning), ou Aprendizado Máquina (em Português do Brasil), mas não sabes por onde começar? Gostarias de saber quais são os desafios sociais da Aprendizagem Automática, ou aprendizado de máquina? Então, este curso é para ti/você!

Nesta edição bilingue (Português/Inglês),em que umas vezes encontras os textos em Português de Portugal, outras em português do Brasil, irás ter ainda o suporte da Heroine's Learning Journey (a Jornada da Heroína Aprendiz), que tem como objetivo transformar este curso numa experiência pessoal incrível.

Este curso prático de Aprendizagem Automática/Aprendizado de Máquina, Matemática e Ética, designado originalmente "Machine Learning, Maths & Ethics: Hands-on", explica os fundamentos de Aprendizagem Automática/Aprendizado de Máquina de maneira intuitiva. Tem um foco principal em exercícios e exemplos das suas aplicações. O curso permite desenvolver habilidades práticas para construir algoritmos e estimular o pensamento crítico sobre a ética dos modelos de Aprendizagem Automática/Aprendizado de Máquina.

Embora os campos da ciência da computação, inteligência artificial e aprendizagem automática/aprendizado de máquina estejam a mudar o mundo, a verdade é que mulheres jovens ainda estão sub-representadas nesses campos. Preparámos este curso online, seguindo um guia do projeto FOSTWOM Erasmus+, em que se encontram diretivas para desenvolver MOOC balanceados numa perspectiva de género, tanto nas narrativas, como no uso da linguagem e imagens inclusivas de género. Por tudo isto, esperamos que este MOOC seja uma oportunidade de aprendizagem significativa para capacitar jovens, especialmente mulheres jovens, a seguir essas áreas de especialização.

Vais perder a oportunidade de conhecer uma tecnologia que está a transformar o mundo?

A project by:

Público-alvo

Jovens, principalmente mulheres jovens, pessoas curiosas para saber como funcionam os algoritmos e quais os modelos que podem ser construídos com a ajuda da Aprendizagem Automática/Aprendizado de Máquina, suas vantagens e limitações.

Objetivos Principais

Ser capaz de explicar o que é Aprendizagem Automática/Aprendizado de Máquina e o que não é;
Ser capaz de explicar a diferença entre Aprendizagem/Aprendizado supervisionada e outros tipos de Aprendizagem Automática/Aprendizado de Máquina;
Percorrer autonomamente os exercícios resolvidos, identificando os quatro passos do processo padrão;
Saber consultar e utilizar para seu uso pessoal Tutoriais, Livros de Receitas e outros recursos adicionais;
Enumerar as bibliotecas Python utilizadas ao longo do curso e conhecer as suas funções;
Ser capaz de interpretar resumos estatísticos de boxplots, scatterplots e histogramas, e saber usá-los para preparar os dados;
Ser capaz de explicar o significado de “média” e “dispersão” em exemplos de conjuntos de dados específicos;
Realizar multiplicações simples de matrizes: usando produtos internos e produtos externos;
Ser capaz de explicar como as decomposições em valores singulares são usadas para comprimir matrizes;
Dar exemplos dos desafios éticos para construir algoritmos de Aprendizagem Automática/Aprendizado de Máquina justos.

Pré-requisitos

Este curso online não tem pré-requisitos especiais. Assume-se que quem se inscreve tenha frequentado o ensino secundário.

Para participar neste curso online não é preciso ter nenhuma experiência anterior em programação. Irás usar um software de acesso gratuito: o Google Colab, que permite escrever e executar Python no seu ambiente de trabalho.

Além disso, todo o conteúdo do MOOC é gratuito, totalmente online e está também em inglês, com tradução para português (Portugal/Brasil).

Os materiais do curso permanecerão disponíveis para quem se inscreve após o final da presente edição, para que possam voltar ao conteúdo posteriormente sempre que quiserem.

Conteúdo

Nesta edição, a Heroine's Learning Journey apresentará conteúdos adicionais ao curso, que fazem parte de sua estrutura narrativa, contendo 12 estágios, associando o conteúdo do curso a uma série de desafios que fazem parte da jornada.

O conteúdo específico de "Machine Learning, Maths & Ethics: Hands-on" está estruturado em cinco módulos:

Boas-vindas e apresentação
Aprendendo com a experiência: aprendizado de máquina e aprendizado supervisionado
Como vamos trabalhar em modelos de aprendizagem supervisionada
Preparação de dados, exploração de dados e estatísticas
Modelos de treinamento, modelos de avaliação e matrizes
Desafios éticos dos algoritmos de aprendizado de máquina

Ao longo desses tópicos, você aprenderá:

O que é aprendizado de máquina;
Os diferentes tipos de aprendizado de máquina e aprendizado supervisionado com mais detalhes;
O processo padrão de construção de modelos preditivos;
As quatro etapas do processo padrão: Preparação de dados, exploração de dados, treinamento do modelo, avaliação do modelo;
Algumas matemáticas fundamentais necessárias para entender o aprendizado de máquina: Estatística e Álgebra Linear;
Como programar em Python com Google Colab;
Como estar ciente dos desafios de construir algoritmos de aprendizado de máquina justos.

Estratégias pedagógicas

Como você vai trabalhar em modelos de aprendizado supervisionado, as quatro etapas do processo padrão de construção de modelos que consideramos são: Preparação de dados, exploração de dados, treinamento de modelos, avaliação de modelos.

Recursos práticos para cada etapa:

2 vídeos dedicados a cada etapa do processo padrão: Um vídeo com uma explicação geral das principais ações a serem realizadas nessa etapa; um com uma explicação detalhada em um exemplo específico (exercício resolvido) que ilustra o passo dado do processo padrão;
Tutoriais: Documentos de apoio com explicações detalhadas dos conceitos apresentados nos vídeos. Além disso, os tutoriais também possuem mais exemplos que permitem ver como os conceitos se aplicam na prática. Os tutoriais podem ser lidos do início ao fim ou usados como fonte de referência sempre que você precisar saber mais sobre algo;
Cookbooks: Coleções de pequenos programas que resolvem situações típicas. Em geral, os livros de receitas são úteis quando você deseja resolver um problema de rotina e precisa de exemplos de código para facilitar seu trabalho.

Recursos adicionais de notebooks:

Além disso, para cada etapa do processo padrão de construção de modelos, você pode encontrar desafios para verificar suas habilidades adquiridas e seu nível de autonomia com o conteúdo em mãos. Eles estão na forma de exercícios parcialmente resolvidos e exercícios abertos e não contam para classificação. Isto é para o que é chamado de aprendizagem autorregulada. Nós encorajamos você a usar o fórum de discussão do MOOC para postar suas perguntas e comentários e aproveitar ao máximo a experiência de aprendizado que Heroine's Learning Journey vai fornecer. Dentro desta experiência nova, estarão presentes 12 estágios. Alguns recursos adicionais como mentores, mentoras, aliados e aliadas estarão presentes. Além disso, outros recursos poderão ser oferecidos como grupos específicos, de discussão, durante alguns dos desafios apresentados.

Como você vai olhar para os modelos de aprendizagem supervisionada, você vai refletir sobre os fundamentos matemáticos, a história do desenvolvimento de algoritmos e os desafios atuais dos modelos de aprendizagem supervisionada.

Métodos de avaliação

Ao final de quatro tópicos, do Tópico 1 ao Tópico 4, há Quizzes com problemas de múltipla escolha, caixas de seleção, entrada numérica, etc. Cada questionário representa 25% da nota final. Os participantes com nota final igual ou superior a 60% receberão um certificado de conclusão (sem referência da nota final). A Heroine's Learning Journey também fornecerá um certificado específico para participantes que completarem determinados desafios apresentados.

Course Staff

Pedro Marcelino

Co-fundador da TreeTree2.

PhD em 'Uma Nova Abordagem para a Gestão da Manutenção de Infraestruturas de Transporte utilizando Machine Learning' no Instituto Superior Técnico.

Mestrado em Engenharia Civil, Ramo de Estruturas, no Instituto Superior Técnico.

Ana Moura Santos

Recebeu o seu diploma em Ciências Físico-Matemáticas pela Universidade de Moscovo, e o mestrado e doutoramento em Matemática Aplicada pelo Técnico Lisboa, onde começou a lecionar em 1987, primeiro no Departamento de Física e, a partir de 1993, no departamento de Matemática .

A sua área de investigação é Teoria de Operadores e Análise Funcional com Aplicações, e trabalha também em questões pedagógicas, nomeadamente no desenvolvimento de recursos de e-learning para projetos em Matemática.

Passa a maior parte do seu tempo livre em atividades relacionadas com a dança, atualmente praticando flamenco e castanholas de concerto.

Luis Felipe Coimbra Costa

Pesquisador e Doutorando Coope/UFRJ - Laboratório Futuro e Laboratório Ludes

Luis Felipe Coimbra Costa, é doutorando em Engenharia de Sistemas e Computação pela COPPE/UFRJ, coordenador da linha de pesquisa Governo do Laboratório do Futuro, membro do Laboratório Ludes e pesquisador visitante do departamento de matemática do Instituto Superior Técnico. – IST, Lisboa, Portugal. Atualmente, ele está trabalhando em pesquisa de sala de aula invertida, autorregulação do aprendizado, gamificação, jogos e assuntos relacionados ao aprendizado STEM. Ao longo de sua carreira ajudou e colaborou com diferentes projetos e iniciativas relacionadas ao Software Livre.

Larissa Galeno

Graduanda em Ciência da Computação pela Universidade Federal do Rio de Janeiro e estagiária na área de pesquisa científica na IBM.

O seu interesse por tecnologia vem desde a infância pelo gosto por jogos eletrônicos e, com isso, ingressou no curso de CC em 2016 afim de realizar o sonho de trabalhar com a área. Na faculdade teve participação em diversos projetos e grupos, como a Empresa Júnior (EJCM) e também pode fundar o projeto Minerv@s Digitais que tem com o objetivo de trazer diversidade para o curso de computação. Atualmente, está no final da graduação e tem focado seus estudos para as áreas de engenharia de software e ciência de dados.

------------------ENGLISH--------------------

General description

* If you are already registered on our e-learning platform, please login before signing up. Otherwise Sign Up for free.

Would you like to know what machine learning is, but don't know where to start? Would you like to learn about the societal challenges of machine learning? Then, this course is for you!

In this edition, you will have the support of the Heroine's Learning Journey, which aims to transform this course into an amazing personal experience.

This hands-on course in Machine Learning, Maths & Ethics, teaches you about the foundations of Machine Learning in an intuitive way. It has a heavy focus on exercises and examples of its applications. The course allows you to develop practical skills to build algorithms and stimulate critical thinking on the ethics of machine learning models.

Although the fields of computer science, artificial intelligence and machine learning are changing the world, the truth is that girls and women are still underrepresented in these fields. We prepared this online course, following the guidelines of FOSTWOM Erasmus+ project to develop MOOCs according to a gender conscious perspective in narratives, in the language, and in the use of images. Thus, we expect this MOOC to be a meaningful learning opportunity to empower young people, especially young women to follow these areas of expertise.

Are you going to miss the opportunity to learn about a technology that is transforming the world?

Target audience

Young people, especially young women, curious to know how algorithms work, which models can be build with the help of machine learning, their advantages and limitations. Main goals.

Main goals

Be able to explain what is machine learning and what is it not;
Be able to explain the difference between supervised learning and the other types of machine learning;
To go autonomously through the solved exercises, identifying the four steps of the standard process;
Consult and use by your own Tutorials, Cookbooks and other additional resources;
Enumerate the Python libraries used along the course and their functions;
Be able to interpret statistical summaries from boxplots, scatterplots and histograms, and use them to prepare the data;
Be able to explain what “average” and “spread” means in particular datasets examples;
Perform simple matrix multiplications: using inner products and outer products;
Be able to explain how singular value decompositions are used for compressing matrices;
Give examples of the challenges of building fair machine learning algorithms.

Prerequisites

This online course has no special prerequisites. It assumes that participants have attended secondary school.

To participate in this online course you don't need to have any previous programming experience. You are going to use a free access software: Google Colab, which allows you to write and execute Python in your browser.

Moreover, all the contents of the MOOC are free of charge, completely online and are in English. Some content is translated into Portuguese.

Course materials will remain available to all enrolled users after the end of the current edition, so they can return to content later.

In this edition, the Heroine's Learning Journey will provide additional content to the course. As part of its narrative structure, which consists of 12 stages, the journey associates the course content with a series of challenges that are part of a personal journey.

The specific content of Machine Learning, Maths & Ethics: Hands-on is structured in five modules:

Welcome and introduction
Learning from experience: Machine learning and supervised learning
How we are going to work in supervised learning models
Data preparation, data exploration and statistics
Training models, evaluating models and matrices
Ethical challenges of machine learning algorithms

Throughout these topics you will learn:

What machine learning is;
The different types of machine learning, and supervised learning in more detail;
The standard process of building predictive models;
The four steps of the standard process: Data preparation, data exploration, model training, model evaluation;
Some fundamental Maths needed to understand machine learning: Statistics and Linear Algebra;
How to program in Python with Google Colab;
How to be aware of the challenges of building fair machine learning algorithms.

Pedagogical strategies

How you are going to work in supervised learning models The four steps of the standard process of building models that we consider are: Data preparation, data exploration, model training, model evaluation.

Hands-on resources for each step:

2 videos dedicated to each step of the standard process: One video with a general explanation of the main actions due in that step; one with a detailed explanation in a particular example (Solved exercise) that illustrates the given step of the standard process;
Supporting documents with detailed explanations of the concepts given in the videos. In addition, the tutorials also have more examples that allow you to see how the concepts apply in practice. The tutorials can be read from start to finish or used as a reference source whenever you need to know more about something;
Cookbooks: Collections of small programs that solve typical situations. In general, cookbooks are useful when you want to solve a routine problem and need code examples to make your work easier.

Additional notebooks resources:

Additionally, for each step of the standard process of building models, you can find challenges to check your acquired skills and level of autonomy with the content at hand. They are in the form of partially solved exercises and open exercises and don’t count for grading. This is for what is called self-regulated learning. We encourage you to use MOOC's Discussion fórum to post your questions and remarks.

How you are going to look at supervised learning models You will be challenged to reflect on the mathematical foundations, the history of algorithm development and current challenges of supervised learning models.

Assessment methods

At the end of four topics, from Topic 1 to Topic 4, there are graded Quizzes with multiple choice problems, check boxes, numerical input, etc. Each quiz accounts for 25% of the final grade. Participants with a final score equal or greater than 60% will receive a completion certificate (without reference of the final grade). Heroine's Learning Journey will also provide a specific certificate for participants who complete certain challenges presented.