01 · ÎNȚELEGE
Explică problema
Scrie în 3 propoziții ce intră în model, ce produce și cum măsori dacă e bun.
Alegi nivelul, rulezi codul, schimbi datele și publici rezultatul. Fiecare proiect are pași de implementare, cod de pornire și progres salvat, ca să ajungi pregătit la olimpiade, competiții și hackathoane.
Întâi o învățăm să ghicească: o categorie sau un număr. Regresie și clasificare.
Apoi o lăsăm să găsească singură tipare în haos. Clustering și hărți de date.
La final o învățăm să vadă și să înțeleagă lumea ca un om. Rețele, vedere, limbaj.
Cod prietenos, rezultate vizuale. Tu arăți exemple, mașina învață.
CLASELE VII–VIIIConcepte reale și primul site AI publicat pe web.
CLASELE IX–XPython real: date → curățare → model → evaluare.
CLASELE XI–XIIRețele neuronale, vedere, limbaj și un capstone real.
Înțelege → rulează → modifică → explică → publică. Nu trebuie să termini repede; trebuie să poți demonstra ce ai construit, de ce funcționează și cum l-ai îmbunătățit.
Python de la prima oră, dar blând: rulăm totul în Google Colab, fără nimic de instalat. În câteva linii de cod, mașina învață din exemplele noastre și ghicește — momentul „wow” în care nimerește primul lucru corect este combustibilul întregului an.
Primul program în Google Colab, fără nimic de instalat. Variabile și un mini-joc.
Jocul „ghicește numărul” în Python — intuiția învățării prin întrebări.
„Măr sau portocală?” din 2 numere (greutate, textură), cu scikit-learn.
Desenăm punctele și granița de decizie cu matplotlib. AI-ul devine vizibil.
Clasificator pe cifre scrise de mână (setul „digits” din scikit-learn).
Rulăm un model gata-antrenat care numește obiectul din imaginile noastre.
Echipele aleg liber ce vor să recunoască mașina și îl construiesc în Python.
Înfășurăm proiectul într-o mică aplicație și îl arătăm părinților la un „demo day”.
Clasificator pe 2 numere (greutate, textură). Desenăm granița de decizie și vedem cum „gândește” modelul.
Recunoaște cifre scrise de mână din setul „digits”. Mașina chiar citește — în câteva linii.
Un model gata-antrenat numește obiectul din imaginile tale. Încarci o poză și el ghicește.
Din câte ore ai învățat, modelul estimează nota. Prima dată când ghicim un număr, nu o categorie.
Consolidăm Python și construim primele proiecte AI reale — mici, dar adevărate. Apar concepte ca date de antrenament, test, de ce modelul uneori greșește. Și facem primul pas mare: o aplicație publicată online, pe care o poți aduce pe domeniul tău.
Reluăm bazele și colectăm propriul set de date al clasei.
Încărcăm datele într-un tabel și învățăm să ne uităm la ele ca un detectiv.
Povestea elevului care tocește: de ce e nevoie de date noi ca să dovedești că ai înțeles.
„Reclamă / mesaj important”: clasificăm text în Python, exact ca un filtru de spam.
Clustering (KMeans) pe muzica sau pozele clasei. Descoperim tipare neașteptate.
Înfășurăm un model în Gradio: câmpuri, butoane și un rezultat pe loc.
Echipele construiesc o aplicație Gradio proprie, de la idee la prototip.
Urcăm aplicația pe Hugging Face Spaces și o aducem pe domeniu printr-un embed.
Clasifică un mesaj în „reclamă / important”, exact logica filtrului de spam din e-mail.
Dai modelului melodiile preferate ale clasei, fără etichete, și el le grupează pe „vibe-uri”.
Înfășori un model într-o aplicație web cu butoane și o publici online, pe domeniul școlii.
Citește o recenzie scurtă și spune dacă e pozitivă sau negativă. Primul pas în înțelegerea limbajului.
Cod real în Python. Elevii văd tot fluxul unui proiect: date brute → curățare → antrenare → evaluare. Învață capcana metricilor („99,9% acuratețe” poate să mintă) și adevărul rar spus: 80% din muncă e pregătirea datelor.
Variabile, liste, bucle — strictul necesar ca să mânuim date.
Încărcăm un set real și ne uităm la el ca un detectiv.
Rânduri lipsă, valori aberante, scalare. 80% din munca reală e aici.
Prezicem consumul de energie al școlii din temperatură, zi, vacanță.
Vedem în cod ce înseamnă să „tocești” în loc să înțelegi.
KNN vs. arbore de decizie. Arborele pe care îl putem citi pas cu pas.
Precision, recall, F1 pe o „boală rară”. De ce 99,9% e inutil.
Clasificator care trimite mesajele unui club/ONG la persoana potrivită.
Înfășurăm modelul într-o aplicație Gradio clicabilă.
Urcăm aplicația online și scriem un raport ca pentru conducerea școlii.
Regresie completă, pas cu pas. Rezultatul poate ajunge într-un raport real către conducere.
Clasificator + analiza precision/recall. Elevii descoperă de ce „acuratețea” e o capcană.
„Cerere de informații / reclamație / felicitare” → trimis automat persoanei potrivite. Clasificare + automatizare utilă.
Fotografiezi o frunză, un model (transfer learning, câteva linii) spune ce boală are. Față web în Gradio.
Rețele neuronale, computer vision și limbaj. Elevii construiesc aplicații serioase, le publică online și încheie cu un capstone care rezolvă o problemă reală a comunității lor — un proiect care impresionează la orice concurs.
Random Forest: o „pădure” de arbori care votează bate arborele singuratic.
Fiecare model acoperă greșelile celui dinainte. Mică competiție de echipă.
SVM care „îndoaie spațiul” până când problema grea devine ușoară.
Cel mai simplu neuron artificial și prima rețea legată în straturi.
SGD: cobori muntele în ceață, simțind panta. Antrenăm prima rețea.
Recunoaștem cifre scrise de mână — „Hello World”-ul rețelelor neuronale.
CNN pe imagini: muchii → forme → obiecte, ca un copil care învață să citească.
Imagini + CNN: identificăm deșeuri, plante sau semne și explicăm decizia modelului.
Bag of Words → TF-IDF → embeddings. Matematica înțelege analogii.
Specializăm un model mare pe datele școlii — un medic generalist care devine specialist.
Punem asistentul online pe Hugging Face Spaces și lustruim capstone-ul.
Prezentare publică a proiectelor care rezolvă o problemă reală a comunității.
Scrii o cifră cu mouse-ul, rețeaua o ghicește. „Hello World”-ul rețelelor, electrizant și publicabil.
Un CNN clasifică imagini cu hârtie, plastic și metal. Adăugăm explicații vizuale și analizăm greșelile.
Alimentat cu regulamentul, orarul și întrebările frecvente, răspunde colegilor. Capstone-ul perfect.
Echipele intră într-o competiție reală cu ensemble și boosting. Lecția: echipa bine organizată întrece individul genial.
Nu bifa lecții doar ca să le termini. Pentru fiecare proiect treci prin patru etape și păstrezi dovezi clare ale progresului.
Scrie în 3 propoziții ce intră în model, ce produce și cum măsori dacă e bun.
Pornește de la cod, schimbă datele sau un parametru și notează ce s-a întâmplat.
Arată o metrică, două exemple reușite și două greșeli. Explică limitele modelului.
Adaugă README, capturi, demo live și un video de maximum 90 de secunde.
Un juriu bun nu caută doar un scor mare. Caută o problemă clară, o metodă corectă, dovezi, impact și un elev care își poate apăra deciziile.
De exemplu, construiești un model care recunoaște cifre. Vizitatorul intră pe domeniul tău, desenează o cifră și primește predicția direct în pagină.
Pui modelul într-o interfață Gradio și publici aplicația pe Hugging Face Spaces. Primești o adresă precum elev/cititor-cifre.
În index.html explici problema, datele, rezultatele și limitele. Publici fișierul pe Netlify, unde ai deja domeniul conectat.
Adaugi acest cod în pagina ta și înlocuiești adresa exemplului cu adresa Space-ului tău:
<iframe
src="https://elev-cititor-cifre.hf.space"
width="100%"
height="650"
frameborder="0">
</iframe>Pagina și portofoliul sunt pe Netlify, la domeniul tău. Modelul Python rulează pe Hugging Face Spaces, dar apare integrat în aceeași pagină. Pentru vizitator totul arată ca un singur site.