Suche

Machine Learning in der Schule

KI Illu Kapitel 1

Überblick

Sekundarstufe

Naturwissenschaft und Technik, Mathematik, Informatik

Künstliche Intelligenz, Machine Learning, Selbstorganisiertes Lernen

Deutsch

Auf einen Blick

Schlüsselwörter: Machine Learning, neuronale Netze, KI-Anwendungen
Fächer: Informatik, Mathematik, Naturwissenschaften und Technik
Altersstufe der Schüler*innen: ab 14 Jahre
Zeitrahmen: 8–12 Doppelstunden

Dieses Material ist für selbstorganisiertes Lernen geeignet. Die digitalen Lerneinheiten wenden sich gleichermaßen an Lernende wie Lehrende, die sich in das Thema neuronale Netze und maschinelles Lernen einarbeiten oder ihre bisherigen Kenntnisse erweitern möchten. Die einzelnen Abschnitte können der Nummerierung folgend nacheinander durchgearbeitet werden. Viele enthalten interaktive Beispiele, die das Erforschen neuronaler Netze oder ihrer Bestandteile ermöglichen.

Benötigte Hardware/Software:

  • Internetzugang
  • PCs/Laptops/Chromebooks/Tablets

Autor: Daniel Janssen (Deutschland)
Mehr zu Autor und Projekt hier.

Inhaltsübersicht

Einführung: Was ist eigentlich Machine Learning?

1. Einstieg: Zunächst soll es nach einem Einstiegsbeispiel um künstliche Neuronen gehen – die zentralen Bestandteile von neuronalen Netzen.

2. Lernen: Im Anschluss wird behandelt, wie neuronale Netze lernen, Entscheidungen zu treffen, was im Bereich der Mustererkennung und Musterklassifikation eine ihrer häufigsten Aufgaben ist.

3. Netze: Das nächste Kapitel beschäftigt sich damit, wie die Eingaben innerhalb des neuronalen Netzes zu Ausgaben verarbeitet werden und wie aus einzelnen Neuronen neuronale Netze werden.

4. Fehler: Um zu verstehen, wie neuronale Netze von allein lernen können, geht es danach um den zentralen Begriff des Fehlers. Jedes neuronale Netz macht Fehler, da alle seine Werte am Anfang zufällig gewählt werden. Ein spezieller Algorithmus versucht dann im sogenannten Training, diesen Fehler möglichst klein zu bekommen. Da dieser Algorithmus aber ziemlich kompliziert ist, wird hier der Zugang zum Verständnis hauptsächlich über das Konzept des Fehlers eines Netzes gewählt.

5. Anwendung: Ein weiteres Kapitel beschäftigt sich mit einigen wichtigen Anwendungen in den Bereichen Text, Bilder und Audio, in denen neuronale Netze eingesetzt werden.

6. Neben einigen zusätzlichen Aufgaben und Aktivitäten gibt es des Weiteren ein umfangreiches Machine-Learning-Tool, mit dem neuronale Netze ganz einfach online im Browser entworfen werden können. Es ist möglich, eigene Trainings- und Testdaten einzugeben, das neuronale Netz zu trainieren und anschließend die Performance des Netzes zu testen.

Symbole für neuronale Netze

Einführung: Was ist eigentlich Machine Learning?

Hier geht es um maschinelles Lernen, also um Maschinen (genauer gesagt Computerprogramme), die selbstständig lernen bzw. etwas erlernen können. Dieser Bereich der Informatik gehört zum Bereich der sogenannten künstlichen Intelligenz – ein brandaktuelles Thema, das uns im Alltag überall begegnet, wenn man nur genau hinschaut.

Stellvertretend für maschinelles Lernen werden in den folgenden interaktiven Lerneinheiten einfache künstliche neuronale Netze betrachtet, da künstliche neuronale Netze zurzeit im Bereich der künstlichen Intelligenz am weitesten verbreitet sind. Ein biologisches neuronales Netz kennen wir alle – wir tragen eines im Kopf: unser Gehirn. Auf den folgenden Seiten lernen wir eine Art Computerprogramm kennen, das ganz grob so aufgebaut ist, wie man sich das Gehirn vorstellt – nur kleiner und viel einfacher. Deshalb nennt man es eben künstliches neuronales Netz (abgekürzt manchmal auch einfach nur neuronales Netz). 

Um eins gleich vorwegzunehmen: Echte künstliche Intelligenz gibt es (noch) nicht – nur sogenannte schwache künstliche Intelligenz. Dabei handelt es sich zumeist um Anwendungen, die einen ganz bestimmten Spezialfall auf den ersten Blick betrachtet gut beherrschen. Aber auch hier soll gleich der Begriff der Intelligenz noch weiter abgeschwächt werden: Bei allen künstlichen neuronalen Netzen geht es immer darum, dass Zahlen als Eingabe in ein Computerprogramm hineingehen und berechnete Zahlen als Ausgabe wieder herauskommen.

Das ist uns vom EVA-Prinzip (Eingabe, Verarbeitung und Ausgabe) möglicherweise schon bekannt. So kann man sich zunächst ein neuronales Netz vorstellen. Zahlen kommen hinein, andere Zahlen wieder heraus. Inwiefern das intelligent ist, kann man am Ende dieser Lerneinheiten sicherlich selbst beurteilen.

 

Schematische Abbildung des EVA-Prinzips
Das EVA-Prinzip am Beispiel des neuronalen Netzes

Gesellschaftliche Relevanz

Am Thema Künstliche Intelligenz kommt man heutzutage sowohl im privaten Umfeld als auch in der Schule und im gesellschaftlichen Bereich nicht mehr vorbei. Auf allen möglichen Ebenen gibt es genug Ansatzpunkte für Diskussionen über das Thema. Auch steht an sehr vielen Stellen mittlerweile genug Material zur Verfügung, sei es auf Papier oder digital, das sich mit Künstlicher Intelligenz beschäftigt. Besonders im Bereich Schule hat dieses Thema selbstverständlich eine große Relevanz. 

Die Beschäftigung mit den Grundlagen künstlicher neuronaler Netze auf diesen Seiten soll dazu beitragen, ein besseres und klareres Verständnis davon zu gewinnen, wie genau neuronale Netze funktionieren. Das hilft uns dabei, zu erkennen, wo ihre Stärken sind und warum einige Dinge so funktionieren, wie sie es tun – rational und mathematisch erklärbar, auch wenn manches auf den ersten Blick wie verblüffende Magie erscheint. Es hilft aber vor allem auch dabei, die Schwachstellen deutlicher zu erahnen oder sogar zu erkennen und potenzielle Probleme, von denen man im Zusammenhang mit Künstlicher Intelligenz und ihren Auswirkungen auf die Gesellschaft immer wieder liest, besser zu verstehen bzw. beurteilen zu können.
 

In diesen onlinebasierten Lerneinheiten wurde der Einheitlichkeit im Schriftbild zuliebe auf die Kursivierung von Variablen und Größen verzichtet. Zudem wird in den Abbildungen und Simulationen für Zahlen die englische Dezimalschreibweise mit Punkt verwendet.

© 2019–2024 D. Janssen

Die Nutzung dieses Unterrichtsmaterials ist frei (Creative-Commons-Lizenz CC-BY-SA), der Code ist jedoch urheberrechtlich geschützt und keiner freien Lizenz zugeordnet. Die Einsicht in den Code der interaktiven Elemente mittels Deobfuskation sowie die Verwendung dieses Codes oder von Auszügen daraus ist nicht gestattet.
 

Schliesse Suche