Escolar Documentos
Profissional Documentos
Cultura Documentos
FLORIANÓPOLIS
2022
LEONARDO MARTINS GONÇALVES
FLORIANÓPOLIS
2022
RESUMO
IA - Inteligência Artificial
BNCC - Base Nacional Comum Curricular
CNN - Convolutional Neural Networks
CSTA - Computer Science Teachers Association
DL - Deep Learning
GPU - Graphic Processing Unit
MEC - Ministério da Educação
ML - Machine Learning
SBC - Sociedade Brasileira de Computação
YOLO - You Only Look Once
SUMÁRIO
1 INTRODUÇÃO 8
1.1 CONTEXTUALIZAÇÃO 8
1.2 OBJETIVOS 10
1.3 METODOLOGIA DE PESQUISA E TRABALHO 11
2 FUNDAMENTAÇÃO TEÓRICA 12
2.1 MACHINE LEARNING VOLTADO A DETECÇÃO DE OBJETOS 12
2.1.1 MACHINE LEARNING 12
2.1.2 TIPOS DE MODELOS DE REDES NEURAIS 14
2.1.3 PROCESSO DE DESENVOLVIMENTO DE SISTEMAS DE DEEP
LEARNING 17
2.1.4 DESENVOLVIMENTO DE MACHINE LEARNING COM JUPYTER
NOTEBOOKS 19
2.2 ENSINO DE MACHINE LEARNING NA EDUCAÇÃO BÁSICA 22
3 ESTADO DA ARTE 32
3.1 DEFINIÇÃO DO PROTOCOLO DE BUSCA 32
3.2 EXECUÇÃO DA BUSCA 34
3.3 EXTRAÇÃO DE INFORMAÇÕES 35
3.4 DISCUSSÃO 37
4 CURSO “CRIE SEU PRIMEIRO MODELO PARA DETECÇÃO DE OBJETOS” 39
4.1 ANÁLISE DO CONTEXTO 39
4.2 OBJETIVOS DE APRENDIZAGEM 42
4.4 DESIGN DO CURSO 43
4.5 PLANO DE ENSINO 44
4.6 MATERIAL DIDÁTICO 46
4.6.1 CONJUNTO DE DADOS PREPARADO 49
4.6.2 MODELO DE ML DESENVOLVIDO 50
4.6.3 FERRAMENTAS UTILIZADAS NO CURSO 54
4.7 AVALIAÇÃO DE APRENDIZAGEM DO ALUNO 54
5 CONCLUSÃO 57
6 REFERÊNCIAS 58
1 INTRODUÇÃO
1.1 CONTEXTUALIZAÇÃO
1.2 OBJETIVOS
Objetivo geral
Objetivos específicos
2 FUNDAMENTAÇÃO TEÓRICA
Conceito 3-5 ano escolar (EUA) 6-8 ano escolar (EUA) 9-12 ano escolar (EUA)
Construir vs. Demonstrar como dados Explicar a diferença Ilustrar o que acontece
usar um de treino são entre treinar e usar um em cada etapa
raciocinador rotulados quando se usa modelo de raciocínio necessária ao usar ML
uma ferramenta para construir um
de ML classificador ou preditor
Redes neurais Estrutura de Ilustrar como uma rede Ilustrar a estrutura de Descrever as
uma rede neural de 1 a 3 uma rede neural e arquiteturas e usos das
neural neurônios é uma função descrever como suas redes
que computa uma partes formam um neurais feedforward,
saída conjunto de funções que redes convolucionais
computam uma 2D, recorrentes e
saída adversariais generativas
Ajuste de Demonstrar como pesos Demonstrar como uma Treinar uma rede neural
peso são designados regra de multicamadas
em uma rede neural aprendizado pode ser usando o algoritmo de
para produzir o usada para ajustar aprendizagem de
comportamento os pesos em uma rede retropropagação e
desejado de entrada e neural de um nível descrever como os
saída pesos dos neurônios e
as saídas das
unidades ocultas mudam
como resultado
da aprendizagem
2 Entendendo Inteligência Analisar e discutir criticamente características que fazem uma entidade
“inteligente”, incluindo discutir diferenças entre humanos, animais e
inteligência de máquina
5 Pontos Fortes e Fracos Identificar tipos de problemas que IA se sobressai e problemas que são
de IA mais difíceis para a mesma. Usar essa informação para determinar
quando é apropriado usar IA e quando usar habilidades humanas
11 Alfabetização em Dados Reconhecer que computadores geralmente aprendem a partir dos dados
12 Aprender pelos Dados Entender que dados não podem ser tomados por si só, e requerem
interpretação. Descrever como os exemplos de treino dados em um
conjunto de dados inicial podem afetar o resultado de um algoritmo
13 Interpretar Entender que dados não podem ser tomados por si só, e requerem
Criticamente os interpretação. Descrever como os exemplos de treino dados em um
Dados conjunto de dados inicial podem afetar o resultado de um algoritmo
14 Ação e Reação Entender que alguns sistemas de IA têm a habilidade de fisicamente agir
no mundo. Essa ação pode ser direcionada por raciocínio de alto nível
(como andar em um caminho planejado) ou pode ser reativo (pular para
trás para evitar um obstáculo percebido)
1
https://appinventor.mit.edu/explore/resources/ai/personal-image-classifier
2
https://appinventor.mit.edu/explore/resources/ai/personal-audio-classifier
Figura 9: Ciclo de progresso Use-Modify-Create (LEE et al., 2011)
Existem diversos tipos de avaliação como por exemplo provas, que podem
ser formuladas utilizando questões dissertativas e discursivas, dentre outros
(ZEFERINO e PASSERI, 2007). Em ambientes não presenciais, é comum ser
utilizado quizzes e questionários de múltipla escolha, redações, exercícios, entre
outros.
No contexto de tarefas abertas, como o desenvolvimento de modelos de ML,
é utilizado tipicamente a avaliação de desempenho, que avalia a aprendizagem de
acordo com o desempenho da aplicação criada pelo aluno. Essa avaliação pode ser
feita por meio de rubricas, uma ferramenta de pontuação que define expectativa
para uma determinada tarefa. As rubricas são projetadas tipicamente em um formato
de grade, dividindo uma tarefa em componentes, e fornece descrições detalhadas
do que consiste em um nível aceitável ou inaceitável de desempenho para cada
componente (STEVENS e LEVI, 2005). As rubricas são essencialmente compostas
por quatro elementos (STEVENS e LEVI, 2005): descrição da tarefa; escala, usada
para descrever a performance da tarefa realizada; dimensões, as habilidades e
conhecimentos que são avaliados; descrição dos diferentes níveis de desempenho
para cada dimensão.
Um exemplo de uma rubrica para avaliar a aprendizagem de desenvolvimento
de modelos de detecção de objetos é apresentado por Pereira (2022). A rubrica foi
construída com base no Evidence-Centered Design (ECD), uma metodologia para
projetar avaliações que visa assegurar que as evidências coletadas e interpretadas
sejam consistentes com o que a rubrica planeja avaliar (MISLEVY et al., 2003 apud.
PEREIRA, 2022). A avaliação de aprendizagem é automatizada e integrada com o
Jupyter Notebook, possibilitando que o aluno preencha informações sobre o
processo de criação do modelo e receba o feedback sobre a sua performance. O
feedback é retornado de forma amigável, utilizando ilustrações para apresentar
visualmente seus resultados (PEREIRA, 2022).
A autoavaliação do estudante também é uma técnica que agrega a
aprendizagem. Ela deve ser praticada durante todo o curso, estimulando o
pensamento crítico e permitindo que o aluno identifique suas dificuldades para
buscar orientação (ZEFERINO e PASSERI, 2007).
3 ESTADO DA ARTE
Termo Sinônimos
object detection -
Uma string de busca foi definida a partir dos termos de busca para aplicar nas
bases de dados.
Filters Applied:
2011 - 2021
MIT Media Lab -
ScienceDirect Year: 2011-2021 Title, abstract, keywords: (teach OR education OR course OR
learn) AND (“machine learning” OR “deep learning”) AND (“k-12” OR school) AND
("object detection")
Scopus ( TITLE-ABS-KEY ( teach* OR education OR course OR mooc OR learn* )
AND TITLE-ABS-KEY ( "machine learning" OR "deep learning" OR "artificial
intelligence" OR "neural network" ) AND TITLE-ABS-KEY ( "k-12" OR school*
OR kids OR children OR teen* ) AND TITLE-ABS-KEY ( "object detection" )
AND PUBYEAR = 2011 OR PUBYEAR > 2011 )
SocarXiv (teach* OR education OR course OR mooc OR learn*) (“machine learning” OR
“deep learning” OR “artificial intelligence” OR “neural network”) (“k-12” OR school*
OR kids OR children OR teen*) ("object detection")
SpringerLink (teach* OR education OR course OR mooc OR learn*) (“machine learning” OR
“deep learning” OR “artificial intelligence” OR “neural network”) (“k-12” OR school*
OR kids OR children OR teen*) ("object detection")
within Computer Science between 2011 - 2021
A busca dos artigos foi realizada em Julho de 2021 pelo autor do presente
trabalho e revisada pela orientadora. A busca inicial resultou em 46964 artigos. A
quantidade de artigos em cada etapa do processo de seleção é apresentada na
Tabela 6.
Tabela 7: Unidades instrucionais que ensinam detecção de objetos para alunos do Ensino Médio
3.4 DISCUSSÃO
Figura 11: Crianças e adolescentes usuários de internet, por dispositivos utilizados de forma exclusiva
ou simultânea para acessar a internet (CETIC.BR, 2020b)
Contexto das escolas. De acordo com um censo feito nas escolas brasileiras,
96,9% das escolas do ensino médio têm acesso à internet (INEP e MEC, 2020).
Porém, somente 75,4% dessas escolas utilizam a internet para o ensino e
aprendizagem (Tabela 10). Também é visível uma diferença na quantidade de
recursos entre escolas públicas, onde escolas municipais têm uma porcentagem
menor de recursos que as estaduais, a qual tem menos recursos que a federal e
escolas privadas (Tabela 10).
Tabela 10: Recursos tecnológicos disponíveis nas escolas de ensino médio no Brasil em 2020
(Adaptado de INEP e MEC, 2020)
Figura 12: Professores de escolas urbanas, por dificuldades para uso de tecnologias em atividades
pedagógicas (CETIC.BR, 2021)
OA1 - Conceitos Conceitos básicos de ML, saber Lembrar 3-A-i (AI4K12, 2020);
básicos de ML identificar exemplo de ML 3B-AP-08 (CSTA, 2017);
1, 2, 5 (LONG e
MAGERKO, 2020)
OA2 - Redes Conceitos básicos sobre redes Compreender 3-B-i 6-8, 3-B-i 9-12,
Neurais neurais, tipos de arquitetura e seu 3-B-ii 3-5 (AI4K12, 2020)
comportamento
* Como o objetivo de aprendizagem OA8 depende de uma extensão para integrar modelos de
detecção de objetos no App Inventor, este objetivo de aprendizagem é previsto a ser abordado ao
longo prazo neste curso, porém como depende da disponibilidade da extensão não será incluído no
escopo do presente TCC.
30 min O que é detecção de objetos, exemplos de OA1, OA9 Instrução expositiva , Slides interativos e vídeos Quiz
detecção de objetos , motivação de ensino e atividades interativas e
importância no mundo atual demonstrações
15 min Exemplo interativo de um modelo de detecção OA3, OA4 Apresentação e demonstração Atividade interativa e exemplo Quiz
rodando no Jupyter modelo no Jupyter
30 min Definição dos requisitos OA4 Apresentação Slides interativos e ODIN/Jupyter Quiz, Avaliação de
Notebook desempenho
1 hora Preparação das imagens, criação das OA5 Apresentação e atividade Slides interativos, ODIN/Jupyter Quiz, Avaliação de
bounding-boxes prática Notebook, vídeos e conjunto de desempenho
dados e Roboflow
1 hora Treinamento do modelo de detecção de objetos OA6 Apresentação e atividade Slides interativos, Jupyter Quiz, Avaliação de
utilizando YOLOv5 prática Notebook e conjunto de dados desempenho
1 hora Avaliação de desempenho do modelo treinado OA7 Apresentação e atividade Slides interativos, Jupyter Quiz, Avaliação de
prática Notebook e conjunto de dados desempenho
1 hora Predição OA3, OA4 Apresentação e atividade Slides interativos, Jupyter Quiz, Avaliação de
prática Notebook desempenho
30 min Exportação do modelo para aplicativo móvel OA8 Apresentação e atividade Slides interativos, Jupyter Quiz, Avaliação de
(Atividade prática Notebook desempenho
Extra)
Implicações Éticas e Impactos
30 min Aspectos éticos, segurança, privacidade e viés. OA9 Apresentação Slides interativos Quiz
4.6 MATERIAL DIDÁTICO
Slides
Aula 1
Aula 2 Aula 3
Aula 4 Aula 5
Aula 6 Aula 7
Aula 8 Aula 9
Vídeos
Tutorial de criação
de bounding boxes
Conjunto de dados
Conjunto de imagens de objetos domésticos (principalmente em ambientes
Descrição dos internos) aparecendo totalmente ou parcialmente, em ângulos variados. Todas as
dados imagens são fotografias reais.
Distribuição dos
dados por
categoria
Tamanho do 64
batch
Modelo de ML
Data 30/05/2022
Versão v1.0
Objetivo do modelo de ML
Categorias Armário, Cachorro, Cadeira, Cama, Mesa de cabeceira, Mesa, Mochila, Porta,
Sapato e Sofá
Treinamento
Tamanho de lotes 32
Quantidade de 200
épocas
Avaliação de desempenho
Precisão por Armário: 0.71; Cachorro: 0.69; Cadeira: 0.86: Cama: 0.61; Mesa de cabeceira: 0.75;
categoria Mesa: 0.85; Mochila: 0.89; Porta: 0.63; Sapato: 0.69; Sofá: 0.9
Cadeira e mesa
Cama, mesa de
cabeceira e sapatos
Mochila e cachorro
Sofá
Sofá e cachorro
Sapatos e porta
4.6.3 FERRAMENTAS UTILIZADAS NO CURSO
C3 Rotulagem das Menos de 20% das De 20% a 99% das Todas as imagens rotuladas
imagens (bounding imagens rotuladas imagens rotuladas corretamente
boxes) corretamente corretamente
C4 Treinamento - Transfer O modelo não foi O modelo foi treinado O modelo foi treinado com
Learning treinado (transfer com os parâmetros parâmetros ajustados
learned) padrão (arquitetura, época e taxa de
aprendizagem)
C5 Treinamento - O modelo não foi Foi feito unfreeze das Foi feito unfreeze das
Fine-Tuning fine-tuned camadas e melhor taxa camadas, a melhor taxa de
de aprendizagem não aprendizagem foi encontrada e
encontrada ou modelo o modelo foi fine-tuned
não treinado
C6 Interpretação de Categorias com baixa Categorias com baixa Categorias com baixa acurácia
acurácia acurácia não acurácia identificadas e identificadas corretamente e
identificadas interpretação incorreta interpretação correta em
em relação ao modelo relação ao modelo
C8 Ajustes/melhorias Sem novas iterações de Uma nova iteração com Diversas novas iterações com
feitas desenvolvimento alterações no conjunto alterações no conjunto de
de dados e/ou dados e/ou parâmetros de
parâmetros de treinamento
treinamento
C9 Testes com novos Nenhum novo objeto 1-2 novos objetos Mais de dois novos objetos
objetos testado testados testados
ADARSH, P; RATHI, P.; KUMAR, M.. YOLO v3-Tiny: Object Detection and Recognition using one
stage improved model. In: Proc. 6th International Conference on Advanced Computing and
Communication Systems , Coimbatore, TN, India. IEEE, 2020. p. 687-694.
Amazon. Amazon Machine Learning, AWS Documentation. 2019. Disponível em: . Acesso em: 31
de julho de 2022.
AMERSHI, S. et al. Software engineering for machine learning: A case study. In: Proc. of the
IEEE/ACM 41st International Conference on Software Engineering: Software Engineering in
Practice, IEEE, 2019. p. 291-300.
AYODELE, T. O.. Types of machine learning algorithms. New advances in machine learning, v. 3, p.
19-48, 2010.
AYODELE, T. O.. Machine learning overview. New Advances in Machine Learning, p. 9-19, 2010.
BLOOM, B. S., ENGELHART, M. D., FURST, E. J., HILL, W. H., KRATHWOHL, D. R. Taxonomy of
educational objectives: The classification of educational goals. Handbook I: Cognitive domain.
New York: David McKay Company, 1956.
BOCHKOVSKIY, A. WANG, C.; LIAO, H. M. Yolov4: Optimal speed and accuracy of object
detection. arXiv preprint arXiv:2004.10934, 2020.
CETIC.BR. TIC KIDS ONLINE 2019 Pesquisa sobre o Uso da Internet por Crianças e
Adolescentes no Brasil. 2020b. Disponível em:
<https://cetic.br/media/docs/publicacoes/2/20201123093344/tic_kids_online_2019_livro_eletronico.pdf
>. Acesso em agosto de 2021.
CHENG, R.. A survey: Comparison between Convolutional Neural Network and YOLO in image
identification. In: Journal of Physics: Conference Series. IOP Publishing, 2020. p. 012139.
DENNING, P. J.; TEDRE, M.. Computational Thinking. Massachusetts: MIT Press, 2019.
DEY, A.. Machine learning algorithms: a review. International Journal of Computer Science and
Information Technologies, v. 7, n. 3, p. 1174-1179, 2016.
DU, J. Understanding of object detection based on CNN family and YOLO. Journal of Physics:
Conference Series, v. 1004. no. 1, p. 012029, 2018.
FERREIRA, M. N. F., GRESSE VON WANGENHEIM, C., MISSFELDT FILHO, R., DA CRUZ
PINHEIRO, F., HAUCK, J. C. R. Learning user interface design and the development of mobile
applications in middle school. ACM Interactions, 26(4), 2019.
GALOCHA, C.; POLETO, S. S.; TAVARES, M.. Avaliação no ensino superior: paradoxos e
desafios. Revista@ mbienteeducação,10(1), p. 25-35, 2017.
GIRSHICK, Ross et al. Rich feature hierarchies for accurate object detection and semantic
segmentation. In: Proc. of the IEEE conference on computer vision and pattern
recognition.Columbus, OH, USA, IEEE, p. 580-587, 2014.
GRESSE VON WANGENHEIM, C., MARQUES, L. S., HAUCK, J. C. R. Machine Learning for All –
Introducing Machine Learning in K-12. [s.l.] SocArXiv, 2020.
HELLMAN, M. AI 101: What is artificial intelligence and where is it going?, Seattle Times,
Disponível em:
https://www.seattletimes.com/business/technology/ai-101-what-is-artificial-intelligence-and-where-is-it-
going/. Acesso em março de 2021.
INEP, Sinopse Estatística da Educação Superior 2019. Brasília: Inep, 2020. Disponível em:
<http://inep.gov.br/sinopses-estatisticas-da-educacao-superior>. Acesso em: agosto de 2021.
JAKHAR, D., KAUR, I., Artificial intelligence, machine learning and deep learning: definitions
and differences. Clinical and Experimental Dermatology, 45, 131-132, 2020.
JING, M. China looks to school kids to win the global AI race, South China Morning Post, 2018.
Disponível em:
https://www.scmp.com/tech/china-tech/article/2144396/china-looks-school-kids-win-global-ai-race.
Acesso em: março de 2020.
JORDAN, M. I.; MITCHELL, T. M. Machine learning: Trends, perspectives, and prospects.,
Science, 349(6245), 255-260, 2015.
KAHN, K. M.; LU, Y.; ZHANG, J.; WINTERS, N.; GAO, M. Deep learning programming by all.
Proc. of the Conference on Constructionism, Dublin, Ireland, 2020.
LECUN, Y., BENGIO, Y., & HINTON, G. Deep learning. Nature, 521(7553), 436–444, 2015.
LEE, I. et al. Computational thinking for youth in practice. ACM Inroads, 2(1), 32–37, 2011.
LIU, J., KONG, X., XIA, F., BAI, X., WANG, L., QING, Q., & LEE, I.. Artificial intelligence in the 21st
century. IEEE Access, 6, 34403-34421, 2018.
LIU, L., OUYANG, W., WANG, X., FIEGUTH, P., CHEN, J., LIU, X., & PIETIKÄINEN, M. Deep
Learning for Generic Object Detection: A Survey. International Journal of Computer Vision,
128(2), 261–318, 2020.
LIU, W., ANGUELOV, D., ERHAN, D., SZEGEDY, C., REED, S., FU, C. Y., & BERG, A. C. (2016,
October). Ssd: Single shot multibox detector. In European conference on computer vision (pp.
21-37). Springer, Cham.
MARK J. N.; HOOVER, A. K.. Notes on Using Google Colaboratory in AI Education. In: Proc. of
the ACM Conference on Innovation and Technology in Computer Science Education. ACM, New
York, NY, USA, 533–534, 2020.
O'HARA, K., BLANK, D., MARSHALL, J. Computational Notebooks for AI Education. In: Proc. of
the 28th International Florida Artificial Intelligence Research Society Conference, Hollywood, FL, USA,
2015.
MIT. App inventor. Disponível em: <https://appinventor.mit.edu/>. Acesso em: 08 agosto de 2021.
PACHECO, C. A. R.; PEREIRA, N. S. Deep Learning Conceitos e Utilização nas Diversas Áreas
do Conhecimento. Revista Ada Lovelace, 2, 34-49, 2018.
PETERSEN, K.; FELDT, R.; MUJTABA, S.; MATTSSON, M. Systematic Mapping Studies in
Software Engineering. Proc. of the 12th Int. Conference on Evaluation and Assessment in Software
Engineering, Bari, Italy, pp. 68-77, 2008.
PRASHANTH, B.; MENDU, M.; THALLAPALLI, R. Cloud based Machine learning with advanced
predictive Analytics using Google Colaboratory. Materials Today: Proceedings, 2021.
RANDLES, B. M.; PASQUETTO, I. V.; GOLSHAN, M. S.; BORGMAN, C. L. Using the Jupyter
Notebook as a Tool for Open Science: An Empirical Study. Proc. of the ACM/IEEE Joint
Conference on Digital Libraries, Ontario, Canada, 2017.
ROYAL SOCIETY. Machine learning : the power and promise of computers that learn by
example, 2017.
REDMON, J. et al. You only look once: Unified, real-time object detection. Proc of the IEEE
conference on computer vision and pattern recognition. Las Vegas, NV, USA, p. 779-788, 2016.
REDMON, J.; FARHADI, A.. YOLO9000: better, faster, stronger. Proc. of the IEEE conference on
computer vision and pattern recognition. Honolulu, HI, USA. p. 7263-7271, 2017
RUSSELL, S.; NORVIG, P. Inteligência Artificial. 3. Ed. São Paulo: Elsevier, 2013.
SBC. Diretrizes para ensino de Computação na Educação Básica. 2018. Disponível em:
https://www.sbc.org.br/documentos-da-sbc/send/203-educacao-basica/1220-bncc-em-itinerario-inform
ativo-computacao-2. Acesso em: março de 2021.
SHAHINFAR, S., MEEK, P., FALZON, G. “How many images do I need?” Understanding how
sample size per class affects deep learning model performance metrics for balanced designs
in autonomous wildlife monitoring. Ecological Informatics, 57, p. 101085, 2020.
STEVENS, D. D.; LEVI, A. J. Introductions to rubrics: an assessment tool to save grading time,
convey effective feedback and promote student learning. Virginia: Stylus Pub., 2005
SINGH, S. The Impact Of Artificial Intelligence Over The Next Five Years, Forbes. Disponível em:
https://www.forbes.com/sites/forbesbusinessdevelopmentcouncil/2019/05/30/the-impact-of-artificial-int
elligence-over-the-next-five-years/?sh=e97eaf544980. Acesso em março de 2021.
TANG, D., UTSUMI, Y., LAO, N. PIC: A Personal Image Classification Webtool for High School
Students. In Proc. of the IJCAI EduAI Workshop, Mac
TECH GIRLZ. Tech Girlz: Artificial Intelligence: How Computers Learn, 2020. Disponível
em:https://www.techgirlz.org/topic/artificial-intelligence-computers-learn/. Acesso em abril de 2021.
TOURETZKY, D. et al. Envisioning AI for K-12: What Should Every Child Know about AI? Proc.
of the AAAI Conference on Artificial Intelligence, Honolulu, HI, USA, 9795–9799, 2019a.
TOURETZKY, D. S.; GARDNER-MCCUNE, C.; MARTIN, F.; SEEHORN, D. K-12 Guidelines for
Artificial Intelligence: What Students Should Know. In: Proc. of the Int. Society for Technology in
Education Conference, Philadelphia, PA, USA, 2019b.
VERSCHAE, R; RUIZ-DEL-SOLAR, J. Object detection: current and future directions. Frontiers
in Robotics and AI, v. 2, p. 29, 2015.
VINCENT, J. Tencent says there are only 300,000 AI engineers worldwide, but millions are
needed, The Verge, 2017. Disponível em:
https://www.theverge.com/2017/12/5/16737224/global-ai-talent-shortfall-tencent-report. Acesso em
junho de 2021.
WONG, G. K. W.; MA, X.; DILLENBOURG, P.; HUAN, J. Broadening artificial intelligence
education in K-12: where to start? ACM Inroads, 111(1), pp. 20-29, 2020.
YEH, C.; LIN, C.; HSU, K. Teaching Tool for Fun Learning of AI-based Banknote Detection
Technology. Sensors and Materials, 33(6), p. 1767-1776, 2021.
ZHAO, Z. Q., ZHENG, P., XU, S. T., WU, X. Object detection with deep learning: A review. IEEE
transactions on neural networks and learning systems, 30(11), 3212–3232, 2018.
ZHU, K. An educational approach to machine learning with mobile applications. 2019. Tese de
Doutorado. Massachusetts Institute of Technology, USA.
ZOU, Z., SHI, Z., GUO, Y., YE, J.. Object detection in 20 years: A survey. arXiv preprint
arXiv:1905.05055, 2019.
Desenvolvimento de um Curso de Machine
Learning com Foco em Detecção de Objetos
no Ensino Médio
Leonardo Martins Gonçalves
martins.l@grad.ufsc.br
Abstract. Today Machine Learning (ML) is constantly present in the daily life of the
modern world. Thus, it is important that society understands its applicability and
functioning. Therefore, it is important to introduce the teaching of ML in K-12 so that
young people can use technology as a tool to create intelligent solutions. Currently, the
first instructional units aimed at teaching ML in K-12 are already being created, yet
almost exclusively focusing on the task of image classification. Thus, taking into
account a more diverse range of ML tasks, this work aims to create an online Machine
Learning course focused on object detection for high school students, contributing to
the insertion and training of young people in the field of AI.
1. Introdução
A detecção de objetos é uma das tarefas mais relevantes nos campos de visão
computacional e robótica. Apesar dessa técnica já estar presente em diversos eletrônicos
do cotidiano atual, ainda está longe de estar presente em todas as áreas em que poderia
ser útil [VERSCHAE e RUIZ-DEL-SOLAR 2015]. O aumento de implantações de
sistemas de robôs de serviço, drones, reconhecimento de rostos, mostra a importância da
necessidade de sistemas de detecção de objetos [VERSCHAE e RUIZ-DEL-SOLAR
2015].
O curso “Crie seu primeiro modelo para detecção de objetos” foi desenvolvido
com o foco no público do Ensino Médio, sendo analisado o contexto dos alunos e os
objetivos de aprendizagem de ML. A partir disso, foi definido o plano de ensino do
curso, desenvolvido o material didático e as avaliações de aprendizagem.
O Ensino Médio das escolas brasileiras corresponde aos últimos três anos da
educação básica, com faixa etária de 15 a 18 anos de idade. Dado o contexto de ensino
médio no Brasil, os alunos dessa fase são tipicamente alfabetizados, com conhecimentos
de matemática e língua estrangeira básica (inglês ou espanhol). De forma geral, no
Brasil ainda não há um profundo conhecimento de computação no ensino básico, pois
esse ensino é realizado tipicamente somente a partir do ensino superior. Segundo uma
pesquisa do Cetic.br (2020), estima-se que 4,7 milhões de crianças e adolescentes entre
9 e 17 anos, não possuem internet em sua residência e cerca de 16,5 milhões não
possuem uma internet de alta velocidade (banda larga acima de 4 Mbps).
De acordo com um censo feito nas escolas brasileiras, 96,9% das escolas do
ensino médio têm acesso à internet [INEP e MEC 2020]. Porém, somente 75,4% dessas
escolas utilizam a internet para o ensino e aprendizagem. As escolas públicas brasileiras
que têm acesso a computadores, fornecem ambientes em que os alunos conseguem
utilizá-los com a presença de um professor que auxilia no uso dos recursos
tecnológicos. Este último pode ser explicado também pela falta de professores na área,
visto que cerca de 0,06% dos profissionais têm formação de professores de computação
[INEP 2020]. Devido ao fato que atualmente existem poucos professores formados em
licenciatura de informática, os professores de sala de informática frequentemente não
têm uma formação específica na área de computação.
OA1 - Conceitos Conceitos básicos de ML, saber identificar Lembrar 3-A-i [AI4K12
básicos de ML exemplo de ML 2020]; 3B-AP-08
[CSTA 2017]; 1, 2, 5
[Long e Magerko
2020]
OA2 - Redes Neurais Conceitos básicos sobre redes neurais, Compreender 3-B-i 6-8, 3-B-i 9-12,
tipos de arquitetura e seu comportamento 3-B-ii 3-5 [AI4K12
2020]
OA5 - Preparação de Preparar um conjunto de dados, criando as Aplicar 3-C-ii 9-12 [AI4K12
dados bounding boxes e rotulando os dados 2020]; 3B-AP-09
[CSTA 2017]; 12
[Long e Magerko
2020]
OA9 - Discussão ética Identificar e descrever problemas éticos Compreender 3-C-iii 6-8 [AI4K12
chave acerca do ML (privacidade, tomada 2020]; 3A-AP-24
de decisões éticas, dados enviesados e [CSTA 2017]; 13,16
correlações inesperadas, etc.) [Long e Magerko
2020]
Slides
Aula 1
Aula 2 Aula 3
Aula 4 Aula 5
Aula 6 Aula 7
Aula 8 Aula 9
5. Referências
INEP, Sinopse Estatística da Educação Superior 2019. Brasília: Inep, 2020. Disponível
em: <http://inep.gov.br/sinopses-estatisticas-da-educacao-superior>. Acesso em: agosto
de 2021.
INEP, MEC. Censo da Educação básica 2020. Disponível em:
<https://download.inep.gov.br/publicacoes/institucionais/estatisticas_e_indicadores/nota
s_estatisticas_censo_escolar_2020.pdf>. Acesso em agosto de 2021.
Jing, M. China looks to school kids to win the global AI race, South China Morning
Post, 2018. Disponível em:
https://www.scmp.com/tech/china-tech/article/2144396/china-looks-school-kids-win-gl
obal-ai-race. Acesso em: março de 2020.
Lee, I. et al. Computational thinking for youth in practice. ACM Inroads, 2(1), 32–37,
2011.
Mark J. N. & Hoover, A. K.. Notes on Using Google Colaboratory in AI Education. In:
Proc. of the ACM Conference on Innovation and Technology in Computer Science
Education. ACM, New York, NY, USA, 533–534, 2020.
Marques, L. & Gresse von Wangenheim, C. & Hauck, J. Teaching Machine Learning in
School: A Systematic Mapping of the State of the Art. Informatics in Education, 19(2),
283-321. 2020.
O'Hara, K. & Blank, D. & Marshall, J. Computational Notebooks for AI Education. In:
Proc. of the 28th International Florida Artificial Intelligence Research Society
Conference, Hollywood, FL, USA, 2015.
SBC. Diretrizes para ensino de Computação na Educação Básica. 2018. Disponível em:
https://www.sbc.org.br/documentos-da-sbc/send/203-educacao-basica/1220-bncc-em-iti
nerario-informativo-computacao-2. Acesso em: março de 2021.
Tech Girlz. Tech Girlz: Artificial Intelligence: How Computers Learn, 2020. Disponível
em:https://www.techgirlz.org/topic/artificial-intelligence-computers-learn/. Acesso em
abril de 2021.
Touretzky, D. et al. Envisioning AI for K-12: What Should Every Child Know about
AI? Proc. of the AAAI Conference on Artificial Intelligence, Honolulu, HI, USA,
9795–9799, 2019.