- 패들렛에 공유된 인공지능의 학습 원리 복습하기

- ZEP 퀴즈를 통해 인공지능의 학습 원리 내용 정리하기

- 티처블머신에서 라벨 이름 바꿔서 데이터 넣기

- “남자 라벨링 후 여자 사진을 넣고, 여자 라벨링 후 남자 사진을 넣어요.”

- 데이터 산출 결과가 어떻게 되었는지 확인하고 이야기 나누기

- “내가 보호받고 싶은 나의 개인정보를 보호하기 위한 방법은?”

- “보호해야 할 타인의 개인정보를 위해 가져야 할 나의 자세는?”

- 이미지 프로젝트로 인공지능 학습 방법 체험(친구 얼굴 구별하기)

- “최○○, 박○○의 사진을 100장 넣어 학습시키면 잘 구별할까요?”

- 포즈 프로젝트로 인공지능 학습 방법 체험(긍정 신호 vs 부정 신호)

- “우리가 모르는 것에 대한 라벨링이 잘못되었다면 어떻게 될까요?”

- 데이터의 정확도와 수집량이 인공지능에 미치는 영향 토의하기

- 인공지능과 개인정보 사이에 어떤 관계가 있는지 토의하기

- 모둠별 토의 결과를 팅커벨 보드에 공유하여 의견 나누기

- “내가 숨기고 싶은 데이터에는 어떠한 것들이 있을까요?”

- “인공지능의 정확도를 위해 나의 모든 데이터가 필요하다고 할 때 나는 어떻게 해야 할까요?” 관련하여 짧은 글쓰기 후 발표하기

지도 학습 (Supervised Learning):

• 인공지능이 레이블된 데이터(정답이 있는 데이터)를 이용하여 학습하는 방법입니다. 

• 예: 이미지 분류, 스팸 메일 분류, 가격 예측 등. 

• 알고리즘이 입력 데이터와 정답을 비교하여 학습하고, 정답을 예측하는 능력을 향상시킵니다. 

비지도 학습 (Unsupervised Learning):

• 인공지능이 레이블이 없는 데이터(정답이 없는 데이터)를 이용하여 학습하는 방법입니다. 

• 예: 클러스터링, 데이터 차원 축소, 이상 징후 감지 등. 

• 알고리즘이 데이터 내의 패턴이나 구조를 스스로 찾아내어 학습합니다. 

강화 학습 (Reinforcement Learning):

• 인공지능 에이전트가 환경과 상호 작용하며, 행동에 따라 보상을 받거나 벌을 받는 것을 통해 학습하는 방법입니다. 

• 예: 게임 AI, 로봇 제어, 자율 주행 등. 

• 에이전트는 보상을 최대화하도록 행동을 학습하고, 환경에서 최적의 행동 방식을 찾아갑니다. 

이 외에도 인간의 피드백을 이용한 강화 학습(RLHF)이나 딥러닝과 같은 다양한 학습 방법이 있습니다. 인공지능의 학습 방법은 다양한 문제 해결에 적용될 수 있으며, 특정 문제를 해결하기 위해 다양한 학습 방법을 조합하여 사용하는 경우도 있습니다. 

- 개인정보 보호를 위한 행동 원칙과 약속 정하여 표현하기

- 내가 지켜야 할 약속을 팅커벨 보드에 문장으로 공유하기

- 친구들의 약속과 다짐 글에 댓글과 공감 표시로 격려하기

- “공감의 하트를 누를 때 공감한 이유를 댓글로 달아주세요.”