Differences

This shows you the differences between two versions of the page.

--- ai:gymnasio:start [2026/05/17 22:37] – created dmakryp
+++ ai:gymnasio:start [Unknown date] (current) – removed - external edit (Unknown date) 127.0.0.1
@@ Line 1: / Line 1: @@
-====== 2. Τεχνητή Νοημοσύνη (AI) ======
-{{https://images.unsplash.com/photo-1677442136019-21780efad99a?w=150|AI Logo}}
-Σύμφωνα με τις οδηγίες του [[https://iep.edu.gr/el/%CF%84%CE%B5%CF%87%CE%BD%CE%B7%CF%84%CE%AE-%CE%BD%CE%BF%CE%B7%CE%BC%CE%BF%CF%83%CF%8D%CE%BD%CE%B7-%CE%B5%CE%BA%CF%80%CE%B1%CE%B9%CE%B4%CE%B5%CF%85%CF%84%CE%B9%CE%BA%CE%AC-%CF%85%CE%BB%CE%B9%CE%BA%CE%AC|ΙΕΠ για την Τεχνητή Νοημοσύνη]], ο στόχος μας δεν είναι η τεχνική εξειδίκευση, αλλά η κατανόηση του τρόπου με τον οποίο οι μηχανές "μαθαίνουν", η αλληλεπίδρασή μας μαζί τους και ο προβληματισμός γύρω από τις κοινωνικές και ηθικές προεκτάσεις της τεχνολογίας.
-Μπορείτε να δουλέψετε τις δραστηριότητες διαδραστικά στην τάξη ή σε online περιβάλλοντα (π.χ. Teachable Machine, Machine Learning for Kids).
----
-===== 📘 Βασική Θεωρία & Έννοιες =====
-==== Τι είναι η Τεχνητή Νοημοσύνη; ====
-**Τεχνητή Νοημοσύνη (Artificial Intelligence - AI)** είναι ο κλάδος της πληροφορικής που ασχολείται με τη δημιουργία υπολογιστικών συστημάτων που μπορούν να εκτελούν εργασίες οι οποίες κανονικά απαιτούν ανθρώπινη νοημοσύνη (π.χ. αναγνώριση εικόνας, λήψη αποφάσεων, κατανόηση γλώσσας).
-==== Πώς μαθαίνουν οι μηχανές; (Μηχανική Μάθηση) ====
-Στον παραδοσιακό προγραμματισμό, δίνουμε στη μηχανή **Δεδομένα + Κανόνες (Κώδικα)** για να πάρουμε ένα Αποτέλεσμα.
-Στη **Μηχανική Μάθηση (Machine Learning)**, δίνουμε στη μηχανή **Δεδομένα + Αποτελέσματα** και η ίδια η μηχανή βρίσκει/παράγει τους **Κανόνες**!
-Ο κύκλος ανάπτυξης ενός μοντέλου AI περιλαμβάνει 3 βασικά βήματα:
-. **Συλλογή Δεδομένων (Data Collection):** Συγκεντρώνουμε παραδείγματα (π.χ. φωτογραφίες από γάτες και σκύλους).
-. **Εκπαίδευση Μοντέλου (Training):** Η μηχανή μελετά τα δεδομένα και βρίσκει κοινά χαρακτηριστικά (πρότυπα).
-. **Δοκιμή / Έλεγχος (Testing/Prediction):** Δίνουμε στη μηχανή μια νέα, άγνωστη εικόνα για να δούμε αν θα την προβλέψει σωστά.
-⚠️ **Ηθική & Προκατάληψη (AI Bias):**
-> Αν τα δεδομένα με τα οποία εκπαιδεύουμε μια μηχανή είναι ελλιπή, μονόπλευρα ή περιέχουν ανθρώπινα στερεότυπα, τότε η μηχανή θα μάθει να είναι προκατειλημμένη. Οι αποφάσεις της AI είναι τόσο καλές όσο και τα δεδομένα που της δώσαμε!
----
-===== 🎯 20 Επαναληπτικές Ασκήσεις & Δραστηριότητες =====
-===== 🟢 Επίπεδο 1: Βασικές Έννοιες (Κατανόηση & Αναγνώριση) =====
-==== Άσκηση 1: AI εναντίον Φυσικής Νοημοσύνης ====
-Σημειώστε ποιες από τις παρακάτω δραστηριότητες απαιτούν Τεχνητή Νοημοσύνη (AI) όταν εκτελούνται από έναν υπολογιστή:
-  * Ο υπολογισμός του αθροίσματος 456 + 789.
-  * Η αναγνώριση αν μια φωτογραφία δείχνει ώριμη ή άγουρη ντομάτα.
-  * Η αυτόματη μετάφραση ενός κειμένου από τα Ελληνικά στα Γαλλικά.
-  * Η αποθήκευση ενός αρχείου κειμένου στο δίσκο.
-==== Άσκηση 2: Ο Κύκλος της Μηχανικής Μάθησης ====
-Βάλτε στη σωστή χρονική σειρά τα παρακάτω βήματα για τη δημιουργία ενός συστήματος AI που αναγνωρίζει φωνητικές εντολές:
-  * **Α:** Δοκιμάζουμε το σύστημα με νέες φωνές για να δούμε αν τις καταλαβαίνει.
-  * **Β:** Ηχογραφούμε 200 άτομα να λένε τις λέξεις "Άναψε" και "Σβήσε".
-  * **Γ:** Τροφοδοτούμε τις ηχογραφήσεις στον αλγόριθμο για να εντοπίσει τα κοινά μοτίβα της συχνότητας.
-==== Άσκηση 3: Ταξινόμηση Δεδομένων ====
-Τι είδους δεδομένα εισόδου (Εικόνα, Ήχος, Κείμενο ή Αριθμητικά Δεδομένα) χρειάζεται να συλλέξουμε για την εκπαίδευση των παρακάτω συστημάτων;
-. Ένα έξυπνο σύστημα που προβλέπει την τιμή ενός σπιτιού με βάση τα τετραγωνικά και την περιοχή.
-. Ένα σύστημα ασφαλείας που ξεκλειδώνει μια πόρτα αναγνωρίζοντας το πρόσωπο του ιδιοκτήτη.
-. Ένα chatbot που απαντάει σε ερωτήσεις πελατών σε ένα e-shop.
-==== Άσκηση 4: Εφαρμογές της AI στην καθημερινότητα ====
-Αναφέρετε τρία (3) συστήματα ή εφαρμογές που χρησιμοποιείτε στο smartphone ή στο διαδίκτυο οι οποίες βασίζονται σε αλγορίθμους Τεχνητής Νοημοσύνης.
-==== Άσκηση 5: 🔎 Εύρεση Σφαλμάτων στα Δεδομένα ====
-Ένας μαθητής θέλει να φτιάξει ένα μοντέλο AI που να ξεχωρίζει τα μήλα από τα πορτοκάλια. Στο σύνολο δεδομένων εκπαίδευσης βάζει 100 φωτογραφίες από κόκκινα μήλα και 100 φωτογραφίες από πορτοκαλί πορτοκάλια. Όταν του δείχνει ένα πράσινο μήλο, το μοντέλο αποτυγχάνει. Γιατί συνέβη αυτό;
----
-===== 🟡 Επίπεδο 2: Πώς Λειτουργούν οι Αλγόριθμοι (Λογική & Μοντέλα) =====
-==== Άσκηση 6: Παραδοσιακός Προγραμματισμός vs Μηχανική Μάθηση ====
-Εξηγήστε με δικά σας λόγια (1-2 προτάσεις) ποια είναι η βασική διαφορά ανάμεσα στον τρόπο που γράφουμε ένα πρόγραμμα στην Python (κανόνες) και στον τρόπο που εκπαιδεύουμε ένα μοντέλο Μηχανικής Μάθησης.
-==== Άσκηση 7: Δέντρα Απόφασης (Decision Trees) ====
-Σχεδιάστε με απλά λόγια ή διάγραμμα ένα "Δέντρο Απόφασης" με 2-3 ερωτήσεις (Ναι/Όχι) που θα μπορούσε να χρησιμοποιήσει ένα απλό σύστημα AI για να κατατάξει ένα ζώο στις κατηγορίες: ''Θηλαστικό'', ''Πτηνό'' ή ''Ψάρι''.
-==== Άσκηση 8: Η Σημασία του Πλήθους των Δεδομένων ====
-Θέλουμε να εκπαιδεύσουμε ένα σύστημα να αναγνωρίζει τον γραφικό χαρακτήρα διαφόρων ανθρώπων. Το Μοντέλο Α εκπαιδεύεται με 5 παραδείγματα για κάθε γράμμα και το Μοντέλο Β με 500 παραδείγματα. Ποιο μοντέλο αναμένεται να έχει μεγαλύτερη ακρίβεια (accuracy) και γιατί;
-==== Άσκηση 9