În conformitate cu prevederile art. 65 alin. (3) și (4) din Legea educației naționale nr. 1/2011, cu modificările și completările ulterioare,având în vedere prevederile art. 4 lit. a) din Hotărârea Guvernului nr. 277/2020 privind organizarea și funcționarea Centrului Național de Politici și Evaluare în Educație,în baza Ordinului ministrului educației naționale nr. 3.593/2014 pentru aprobarea Metodologiei privind elaborarea și aprobarea curriculumului școlar – planuri-cadru de învățământ și programe școlare, a Ordinului ministrului educației nr. 3.239/2021 privind aprobarea documentului de politici educaționale Repere pentru proiectarea, actualizarea și evaluarea Curriculumului național. Cadrul de referință al Curriculumului național și a Ordinului ministrului educației nr. 3.238/2021 pentru aprobarea Metodologiei privind dezvoltarea curriculumului la decizia școlii,în temeiul art. 13 alin. (3) din Hotărârea Guvernului nr. 369/2021 privind organizarea și funcționarea Ministerului Educației, cu modificările și completările ulterioare,ministrul educației emite prezentul ordin. +
Articolul 1Se aprobă Programa școlară pentru disciplina opțională „Introducere în învățarea automată (machine learning)“ – curriculum la decizia școlii pentru învățământul liceal, clasa a XI-a/clasa a XII-a, prevăzută în anexa care face parte integrantă din prezentul ordin. +
Articolul 2Programa școlară prevăzută la art. 1 se aplică începând cu anul școlar 2022-2023. +
Articolul 3Direcția generală învățământ preuniversitar, Centrul Național de Politici și Evaluare în Educație, inspectoratele școlare și unitățile de învățământ duc la îndeplinire prevederile prezentului ordin. +
Articolul 4Prezentul ordin se publică în Monitorul Oficial al României, Partea I.
p. Ministrul educației,
Gigel Paraschiv,
secretar de statBucurești 14 iunie 2022.Nr. 4.049. +
ANEXĂ
PROGRAMA ȘCOLARĂ
pentru disciplina opțională „Introducere în învățarea automată (machine learning)“ – curriculum la decizia școlii
pentru învățământul liceal, clasa a XI-a/clasa a XII-a +
NOTĂ DE PREZENTAREPrograma școlară pentru disciplina opțională „Introducere în învățarea automată (machine learning)“ reprezintă o ofertă curriculară de tip opțional ca disciplină nouă în oferta națională pentru învățământul liceal, proiectată pentru un buget de timp de 1 oră/săptămână, pe durata unui an școlar.Disciplina se poate studia în clasa a XI-a sau în clasa a XIIa și necesită competențe minime de programare. Prin urmare, această disciplină opțională se adresează elevilor de la filiera teoretică, profil real.Studiul disciplinei „Introducere în învățarea automată (machine learning)“ se va desfășura cu întreg colectivul de elevi și necesită acces la dispozitive de calcul.Învățarea automată (machine learning) este, în prezent, principala abordare care are ca scop construirea de sisteme inteligente, adică sisteme ce pot rezolva sarcini complexe cum ar fi recunoașterea unei persoane într-o imagine, traducerea unui text dintr-o limbă străină sau abilitatea de a juca șah la nivel profesionist și exemplele pot continua. Crearea de astfel de sisteme inteligente reprezintă obiectul de studiu al inteligenței artificiale, domeniu larg de cercetare aflat la intersecția dintre informatică, matematică, inginerie, statistică, neuroștiințe, științele educației etc.Învățarea automată se bazează pe algoritmi care permit sistemelor să învețe din experiență. În timp ce în sistemele clasice sunt programați explicit toți pașii de rezolvare a problemei, sistemele bazate pe învățare automată primesc multe exemple și învață singure să obțină soluția potrivită.Programa școlară a disciplinei „Introducere în învățarea automată (machine learning)“ răspunde nevoilor de alfabetizare digitală, din perspectiva noilor cerințe socioprofesionale, printrun curriculum relevant, vizând formarea unui set de competențe digitale, pe care absolvenții învățământului liceal să le poată valorifica în viața activă.În elaborarea acestei programe școlare a fost luată în considerare Cartea albă privind inteligența artificială – O abordare europeană axată pe excelență și încredere. Aceasta a fost publicată la 19 februarie 2020 de către Comisia Europeană și prezintă principiile de bază ale unui viitor cadru de reglementare al UE pentru inteligența artificială în Europa:https://ec.europa.eu/info/strategy/priorities-2019-2024/europe- fit-digital-age/excellence-trust-artificial-intelligence_roDe asemenea, s-a ținut cont de preocupările intense la nivel național, precum:– elaborarea cadrului strategic național în domeniul inteligenței artificiale, parte a proiectului „Cadru strategic pentru adoptarea și utilizarea de tehnologii inovative în administrația publică 2021-2027 – soluții pentru eficientizarea activității“:https://www.adr.gov.ro/cadru-strategic-pentru-adoptarea-si-utilizarea-de-tehnologii-inovative-in-administratia-publica-2021 2027-solutii-pentru-eficientizarea-activitatii-cod-sipoca-704/ … – Strategia privind digitalizarea educației din România (proiect):https://www.edu.ro/sites/default/files/SMART.Edu%20-%20 document%20consultare.pdf … – Repere pentru proiectarea, realizarea și evaluarea curriculumului național. Cadrul de referință al Curriculumului Național (anexa la Ordinul ministrului educației nr. 3.239/2021 privind aprobarea documentului de politici educaționale Repere pentru proiectarea, actualizarea și evaluarea Curriculumului național. Cadrul de referință al Curriculumului național) … – recomandarea ANIS (Asociația Patronală a Industriei de Software și Servicii), care atrage atenția asupra includerii în Strategia națională pentru inteligență artificială a unor măsuri concrete prin care curriculumul școlar să fie actualizat și adaptat evoluției tehnologice:http://ina.gov.ro/tema-lunii-digitalizarea-si-inteligenta-artificiala-in-administratia-publica/ … Pentru dezvoltarea unor soluții informatice care au în vedere învățarea automată (machine learning) se recomandă utilizarea limbajului de programare Python. Alegerea acestui limbaj a fost motivată de posibilitatea accesării gratuite a unor biblioteci care oferă mecanisme/facilități de utilizare a algoritmilor specifici învățării automate. Mai mult, în momentul de față, atât în industria software, cât și în mediul academic, implementarea algoritmilor de învățare automată (machine learning) se face frecvent în limbajul Python.Din perspectiva modelului de proiectare curriculară, programa școlară de față include următoarele elemente:• Notă de prezentare• Competențe generale• Competențe specifice și exemple de activități de învățare• Conținuturi• Sugestii metodologice• Referințe bibliograficeCompetențele sunt ansambluri structurate de cunoștințe, abilități și atitudini formate prin învățare, care permit rezolvarea unor probleme specifice unui domeniu sau a unor probleme generale, în contexte particulare diverse.Competențele generale vizează achizițiile de cunoaștere și de comportament ale elevului din învățământul preuniversitar.Competențele specifice sunt derivate din competențele generale, reprezintă etape în dobândirea acestora, formânduse pe durata unui an școlar. Pentru realizarea competențelor specifice, în programă sunt propuse exemple de activități de învățare, cu un caracter orientativ, prin care se valorifică experiența concretă a elevului și care integrează strategii didactice adecvate unor contexte de învățare variate.Conținuturile învățării reprezintă baza de operare pentru formarea competențelor.Sugestiile metodologice includ strategii didactice și au rolul de a orienta cadrul didactic în aplicarea programei. Pentru a facilita demersul cadrului didactic, sugestiile metodologice includ, de asemenea, exemple de activități de învățare/evaluare, precum și trimiteri la suporturi de curs/alte resurse educaționale utile.Referințele bibliografice includ o listă de lucrări relevante pentru domeniul de studiu respectiv, care sprijină cadrul didactic în aplicarea programei școlare. +
COMPETENȚE GENERALE
| 1. Implementarea algoritmilor în limbajul Python2. Elaborarea creativă de soluții informatice care vizează aspecte sociale, culturale și personale, utilizând algoritmi care au la bază învățarea automată |
+
COMPETENȚE SPECIFICE ȘI EXEMPLE DE ACTIVITĂȚI DE ÎNVĂȚARE1.Implementarea algoritmilor în limbajul Python
| Clasa a XI-a/Clasa a XII-a |
| 1.1. Utilizarea unui mediu de dezvoltare pentru limbajul Python |
| – folosirea interpretorului de comenzi din mediul de dezvoltare utilizat pentru executarea unor scripturi Python model, modificarea lor conform unor cerințe și crearea unor secvențe noi de cod |
| – familiarizarea cu funcționalitățile mediului de dezvoltare pentru editarea codului, de exemplu indentarea codului, sugestii de completare, ajutor contextual |
| – familiarizarea cu funcționalitățile mediului de dezvoltare pentru executarea codului, de exemplu semnalarea erorilor sau depanarea secvențelor de cod |
| 1.2. Elaborarea unor scripturi Python care prelucrează tipuri de date de bază |
| – recunoașterea rolului unor elemente prezente în sintaxa instrucțiunilor limbajului Python prin analogia dintre o secvență de instrucțiuni Python și secvența corespunzătoare scrisă într-un limbaj de programare studiat sau în pseudocod |
| – modificarea unor secvențe de instrucțiuni pentru a pune în evidență rolul elementelor componente (de exemplu, parcurgerea valorilor naturale dintr-un interval în ordine crescătoare/descrescătoare, cu un anumit pas) |
| – exersarea operațiilor de intrare-ieșire prin apelul funcțiilor specifice, pentru diferite tipuri de date și formate ale acestora |
| – rezolvarea unor probleme ce utilizează tipurile de date de bază și operatorii specifici limbajului Python |
| 1.3. Elaborarea unor scripturi Python care prelucrează tipuri de date structurate |
| – prezentarea datelor structurate (tablouri, liste, dicționare, tupluri) prin analogie cu alte limbaje de programare studiate și prin exemple concrete, cum ar fi: folosirea unui dicționar pentru a memora o agendă telefonică, a unui tablou pentru înregistrarea măsurătorilor unui senzor, memorarea dimensiunilor unei imagini într-un tuplu sau stocarea numelor elevilor înscriși la un concurs într-o listă |
| – crearea, inițializarea, conversia și utilizarea unor date structurate, de exemplu pentru a ordona date sau a căuta valori |
| 1.4. Definirea și apelarea funcțiilor în Python |
| – prezentarea structurii unei funcții în Python (antet, parametri, mecanisme de transmitere a parametrilor și returnare a valorilor) |
| – utilizarea unor funcții predefinite/metode, de exemplu, funcția/metoda len pentru a obține lungimea unei structuri de date, funcția/metoda str pentru a converti o dată numerică în șir de caractere |
| – rezolvarea de probleme folosind funcții definite de utilizator (de exemplu, scrierea unei funcții care furnizează cel mai mare divizor comun a două numere și apelul acesteia pentru a determina cel mai mare divizor comun al unei serii de numere) |
| – analizarea avantajelor utilizării funcțiilor: reutilizarea codului, elaborarea algoritmilor prin descompunerea problemei în subprobleme mai simple, reducerea numărului de erori care pot apărea la scrierea programelor, depistarea cu ușurință a erorilor, realizarea unor programe ușor de urmărit (lizibile) |
| – rezolvarea de probleme care necesită prelucrarea unor date structurate (de exemplu, listele sau dicționarele ce pot fi utilizate pentru gestiunea cărților dintr-o bibliotecă sau pentru gestiunea unei agende telefonice, evidențiind metodele/funcțiile predefinite, specifice fiecărui tip de date structurate) |
| 1.5. Utilizarea bibliotecilor predefinite în elaborarea unor scripturi |
| – prezentarea și exemplificarea utilizării unor funcții uzuale din cadrul unor biblioteci |
| ○ Matplotlib – grafice de funcții și ale derivatelor lor (de exemplu, funcția cosinus și derivata acesteia – funcția sinus) |
| ○ Numpy – lucrul cu date multidimensionale: filtrarea datelor după anumite criterii, calculul de funcții matematice (medie, minim, maxim) pe anumite dimensiuni ale datelor |
| ○ PIL (Python Image Library) – conversia în tonuri de gri, binarizarea imaginilor, filtrarea imaginilor |
| – realizarea de aplicații simple ce folosesc funcțiile exemplificate, cum ar fi: trasarea graficului nivelului de poluare, calculul unor valori medii înregistrate pentru diverse tipuri de particule ce poluează sau compresia unor imagini relevante pentru poluare |
… 2.Elaborarea creativă de soluții informatice care vizează aspecte sociale, culturale și personale, utilizând algoritmi care au la bază învățarea automată
| Clasa a XI-a/Clasa a XII-a |
| 2.1. Caracterizarea inteligenței artificiale în contextul aplicațiilor acesteia în viața cotidiană |
| – prezentarea în evoluție temporală a sistemelor inteligente cu exemple renumite – Deep Blue, AlexNet, AlphaGo sau AlphaFold |
| – identificarea unor aplicații ale inteligenței artificiale în viața cotidiană (funcționarea mașinilor autonome, recunoașterea facială și vocală) |
| – exersarea reflecției critice din perspectiva utilizării inteligenței artificiale în viața de zi cu zi |
| – vizualizarea unor materiale video ce redau exemple de succes privind utilizarea inteligenței artificiale |
| 2.2. Caracterizarea învățării automate |
| – prezentarea învățării automate ca subdomeniu al inteligenței artificiale |
| – compararea învățării automate cu programarea prin algoritmi clasici, identificând aspecte comune și diferențe de abordare |
| – recunoașterea unor situații în care învățarea automată este utilă/necesară |
| – definirea problemei în învățarea automată: mulțimea de date pe care se bazează învățarea (dataset) și formularea obiectivului/obiectivelor învățării automate |
| – exemplificarea unor situații concrete de utilizare a învățării automate (de exemplu, identificarea unor obiecte în imagini, predicția unor valori pe baza istoricului) |
| – exemplificare prin probleme abordate prin algoritmi clasici versus prin învățare automată (de exemplu, identificarea unei categorii de obiecte în imagini) |
| – prezentarea unor probleme care au soluții dificil de implementat prin programarea clasică din cauza numărului mare de cazuri posibile |
| 2.3. Elaborarea unor scripturi Python care implementează algoritmi specifici învățării automate |
| – formularea problemelor principale în învățarea automată (clusterizare, clasificare, regresie) |
| – identificarea asemănărilor și deosebirilor între clusterizare, clasificare și regresie |
| – proiectarea contextului, pregătirea și implementarea de algoritmi pentru rezolvarea unor probleme specifice pentru utilizarea învățării automate (de exemplu, Kmeans pentru clusterizare, KNN pentru clasificare și regresie liniară) |
| – utilizarea funcției FORECAST.LINEAR în Excel ca suport de vizualizare a rezultatelor regresiei liniare |
| 2.4. Alegerea unor algoritmi eficienți de învățare automată pentru rezolvarea problemelor |
| – analizarea situațiilor în care predicția rezultată în urma rulării unui algoritm nu este conformă cu realitatea (de exemplu, utilizarea unor seturi de date neechilibrate care generează predicții părtinitoare) |
| – punerea în discuție a modului în care elevii au rezolvat o problemă și a unor situații noi în care ar putea fi folosit același algoritm |
| – alegerea algoritmului de învățare automată (supervizat sau nesupervizat) în funcție de tipul de date disponibile: etichetate sau neetichetate, continue sau discrete |
| – conștientizarea achizițiilor de învățare personală în urma aplicării algoritmilor specifici învățării automate (Ce folosesc pentru viață? Ce am învățat din fiecare situație problemă – clusterizare, clasificare, regresie – și va fi folositor mâine? Ce pot explica altei persoane? etc.) |
… +
CONȚINUTURI
| Domenii de conținut |
Conținuturi |
| Caracteristici ale învățării automate ca subdomeniu al inteligenței artificiale |
– Repere importante din istoricul inteligenței artificiale și al învățării automate– Modul de proiectare și operare a unui sistem inteligent bazat pe învățare automată– Tipuri de seturi de date utilizate în învățarea automată: etichetate, neetichetate, de antrenare și de test– Atributele unui sistem inteligent bazat pe învățare automată: autonomie, robustețe, capacitate de adaptare, învățare din experiență– Rolul inteligenței artificiale bazate pe învățarea automată în societate– Elemente de etică în utilizarea inteligenței artificiale bazate pe învățarea automată (protejarea datelor personale, bias, diferența între corelație și cauzalitate) |
| Medii de dezvoltare Python |
– Elemente de lucru în mediile de dezvoltare pentru limbajul Python: interpretor de comenzi, fișier de comenzi, script, linie de comandă– Modalități de instalare/accesare a unui interpretor Python– Funcționalități ale mediului de dezvoltare pentru editarea codului: indentare, sugestii de completare, ajutor contextual– Funcționalități ale mediului de dezvoltare pentru executarea codului: executare a unei comenzi, executare a unui script, semnalare a erorilor, depanare a secvențelor de cod |
| Elemente de bază ale programării orientate pe obiecte |
– Noțiuni de bază necesare utilizării unor clase predefinite: clasă, membri ai clasei (date și metode), obiecte, biblioteci– Instanțiere a unei clase predefinite/declarare a unui obiect și acces la membrii acestuia |
| Elemente de bază ale limbajului de programare Python |
– Comenzi și scripturi – structură generală: biblioteci, variabile, instrucțiuni, funcții– Elemente de vocabular al limbajului Python: identificatori, cuvinte-cheie, constante, separatori, operatori, comentarii– Clase predefinite pentru tipuri de date de bază în Python: date numerice (int, float), date logice (bool), șiruri de caractere (str); inițializare, operații specifice– Funcții pentru citirea și afișarea datelor: input, print (fără formatare și cu formatare)– Instrucțiuni: instrucțiunea expresie, instrucțiunea alternativă (if), instrucțiuni repetitive (for, while)– Clase predefinite pentru tipuri structurate de date (liste, tupluri, dicționare): inițializare, operații specifice (adăugare/ștergere elemente, parcurgeri)– Funcții definite de utilizator: antet, parametri, domeniul de vizibilitate a variabilelor, mecanisme de transmitere a parametrilor și returnare a valorilor, apel |
| Biblioteci Python utilizate în învățarea automată |
– Biblioteca Numpy – tipuri de date multidimensionale și metode pentru calcule numerice (min, max, sort, len, shape, type)– Biblioteca Matplotlib – metode pentru vizualizarea graficelor de funcții matematice (plot, show)– Biblioteca PIL (Python Image Library) – tipuri de date și metode pentru manipularea și prelucrarea imaginilor (open, save, convert, filter, pad) |
| Învățare automată nesupervizată |
– Definiția și caracteristicile învățării automate nesupervizate (utilizează seturi de date neetichetate, descoperă structura intrinsecă a datelor)– Clusterizarea ca tehnică de învățare nesupervizată: obiectivul învățării, criterii de grupare a datelor pe baza similarității– Algoritmul de clusterizare K-means: set de date neetichetate (convexe și neconvexe), număr de clustere, funcția de similaritate, corespondența între date și clustere ca date de ieșire– Criterii de interpretare a rezultatelor obținute prin clusterizare: puritatea și densitatea clusterelor– Avantajele utilizării algoritmului de clusterizare K-means: convergență rapidă, aplicabilitate pe scară largă, ușurința implementării– Dezavantajele utilizării algoritmului de clusterizare K-means: dificultatea alegerii numărului optim de clustere, funcționarea defectuoasă pe seturi de date neconvexe |
| Învățare automată supervizată |
– Definiția și caracteristicile învățării automate supervizate (utilizează seturi de date etichetate de antrenare și de test, descoperă corespondența între date de intrare și etichete)– Clasificarea ca tehnică de învățare supervizată: obiectivul învățării, natura etichetelor (discrete, fără relație de ordine)– Algoritmul de clasificare KNN: set de date etichetate, număr de etichete, distanța între date (vecini), vecini luați în considerare, corespondența între date și etichete ca date de ieșire– Criterii de interpretare a rezultatelor obținute prin clasificare: acuratețe pe datele de antrenare și de test, matricea de confuzie– Regresia ca tehnică de învățare supervizată: obiectivul învățării, natura etichetelor (continue, cu relație de ordine)– Algoritmul de regresie liniară: dependența liniară dintre datele de ieșire (etichete) și datele de intrare, formule de calcul pentru parametrii funcției liniare– Criterii de interpretare a rezultatelor obținute prin regresie: eroarea medie– Criterii de analiză comparativă între clasificare și regresie (rezultatele vizate sunt discrete sau continue, existența unei relații de ordine între rezultatele vizate) |
+
SUGESTII METODOLOGICEFiecare profesor proiectează unitățile de învățare, stabilește succesiunea logică de parcurgere a acestora și bugetul de timp alocat, într-o manieră flexibilă, având în vedere nivelul de achiziții și interesele elevilor, precum și punând în valoare experiența și creativitatea acestora.Este recomandată abordarea, în egală măsură, a aspectelor teoretice și practice, astfel încât, la finalul parcurgerii programei, elevii să înțeleagă principiile de bază utilizate în învățarea automată și să poată demonstra formarea competențelor specifice.Parcurgerea cu succes a acestei programe este facilitată de cunoștințe și abilități de programare, folosind unul dintre limbajele studiate la școală. De asemenea, noțiuni de matematică sunt necesare ca suport teoretic pentru a înțelege anumite concepte de învățare automată.Conținuturile sunt structurate în două părți: prima parte vizează familiarizarea cu limbajul Python, iar în partea a doua sunt prezentate concepte de bază privind învățarea automată, algoritmii fiind implementați în limbajul Python. Pentru implementarea de secvențe de cod în limbajul Python pot fi folosite platformele https://pythonisti.ro, https://trinket.io/python, Google Colab sau mediile de dezvoltare Python 3.0 IDE sau Visual Studio Code. Se recomandă folosirea platformei Google Colab deoarece nu necesită nicio configurare prealabilă, fiind suficient doar un cont Gmail, și permite crearea și partajarea de documente care conțin secvențe de cod care rulează în timp real, reprezentări vizuale și text. În plus, utilizarea Google Colab permite accesul gratuit la resurse de calcul paralel (acceleratoare grafice) din Google Cloud.În procesul de predare-învățare-evaluare, activitatea va fi orientată pe analizarea unor situații cotidiene și pe identificarea unor soluții practice în care sunt folosiți algoritmi de învățare automată (machine learning).Activități de învățareEste recomandat ca prezentarea conceptelor și algoritmilor de învățare automată să fie însoțită de exemple practice de aplicare a acestora în realitate, în viața de zi cu zi, și/sau de materiale video relevante. Prezentarea conținuturilor poate debuta cu analizarea unei secvențe de cod relevante și modificarea acesteia pentru a obține diverse rezultate.Elevii pot lucra individual sau în echipă pentru aplicarea algoritmilor studiați pe diverse seturi de date. De exemplu, referitor la strategia de învățare supervizată, problema clasificării poate fi prezentată utilizând setul de date Iris, iar elevii își pot consolida cunoștințele aplicând algoritmul de clasificare pe alt set de date, cum ar mnist.Elevii pot organiza discuții și dezbateri plecând de la experiențele practice furnizate de profesor sau disponibile pe internet, pentru a înțelege cum pot fi utilizați algoritmii de învățare automată în realitate.Activități de feedback și evaluareSe recomandă metoda de învățare-evaluare prin proiecte, individual sau în echipă, cu teme practice inspirate din viața cotidiană, care să stimuleze creativitatea elevilor și să le faciliteze aplicarea cunoștințelor în diverse domenii.Prezentarea soluțiilor obținute oferă o ocazie de reflecție asupra propriei experiențe și creează canale de comunicare între elevi și profesor.În ceea ce privește etica în utilizarea inteligenței artificiale pot fi organizate dezbateri, jurnale de reflecție, plecând de la întrebări precum:• Datele personale sunt protejate? Viața privată este respectată?• Care ar fi consecințele folosirii unui set de date inadecvat?• În ce contexte poate apărea confuzia corelație și cauzalitate?Resurse• Python Machine Learning pentru liceu – Bine ați venit! (pyml.ro)– platformă online, cu acces liber, ce detaliază conținuturile științifice, inclusiv exemple practice, și oferă acces la un interpretor Python pentru editarea, executarea și depanarea scripturilor, precum și acces la acceleratoare grafice pe mașini virtuale prin intermediul platformei Google Colab … • Curs de Python 3 pentru începători – Online interactiv (pythonisti.ro)– platformă de învățare online, cu acces liber, pentru dezvoltarea abilităților de programare în limbajul Python … • Jocuri didactice ce au ca scop inițierea în Pythonhttps://silentteacher.toxicode.fr/https://compute-it.toxicode.fr/• Minitutoriale video online pentru inițierea în Python (seria Python is fun! – canalul youtube Infogim) https://www.youtube.com/watch?v=c7mD2_v5-0Q t=2shttps://www.youtube.com/watch?v=Fq6UvEf_n3A t=2shttps://www.youtube.com/watch?v=X18gx_OYTt4 t=46s• https://trinket.io/python– platformă online, cu acces liber, ce permite dezvoltarea de scripturi Python și furnizează exemple de proiecte … • https://ml.infobits.ro/machine-learning-aplicatii-practice-online.php– platformă online, cu acces liber, dedicată aplicațiilor practice interactive de învățare automată … +
REFERINȚE BIBLIOGRAFICE• Elements of Al https://course.elementsofai.com/ro/• AI for Everyone, Andrew Ng, Coursera, https://www.coursera.org/learn/ai-for-everyone• Deep Learning (partea I), de Ian Goodfellow, Yoshua Bengio, Aaron Courville, MIT Press (2017) https://www.deeplearningbook.org/Pattern Recognition and Machine Learning (partea a III-a și partea a IV-a), de Christopher Bishop, Springer (2006), http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20 Machine%20Learning%20-%20Springer%20%202006.pdf• AI/ML/Big Data News: https://allainews.com/• Artificial Intelligence: A Modern Approach (4th Edition), Russell and Norvig, 2020, https://drive.google.com/ file/d/1g6LwB6UQ47RfFAGRjYaCLJrMkTa86KfF/view AutoriProf. dr. Ana-Maria ARIȘANU, Colegiul Național „Mircea cel Bătrân“, Rm. VâlceaProf. gr. II Antonia HALLER, Colegiul Național „Mircea cel Bătrân“, Rm. VâlceaProf. gr. I Emil ONEA, Colegiul Național „Unirea“, Focșani, UPIRDr. cercetător Răzvan PAȘCANU, DeepMind Londra, EEMLDr. ing. cercetător Viorica PĂTRĂUCEAN, DeepMind Londra, EEMLCu sprijin din partea:https://www.eeml.eu/ Comunitatea Eastern European Machine Learning http://aria-romania.org/ Asociația Română pentru Inteligență Artificialăhttp://www.upir.ro/ Uniunea Profesorilor de Informatică din Româniahttps://www.airomania.eu Comunitatea AIRomania–-
