Grundlagen des Maschinellen LernensAktivitäten & Unterrichtsstrategien
Aktives Lernen funktioniert hier besonders gut, weil die Unterscheidung zwischen überwachtem und unüberwachtem Lernen durch konkrete Beispiele und praktische Auseinandersetzung mit echten Daten besser verständlich wird. Schülerinnen und Schüler entwickeln ein intuitives Verständnis für die Unterschiede und Anwendungsfälle, wenn sie die Konzepte direkt anwenden und diskutieren.
Lernziele
- 1Klassifizieren Sie gegebene Datensätze als Beispiele für überwachtes oder unüberwachtes Lernen.
- 2Analysieren Sie die Auswirkungen von Datenqualität und -quantität auf die Vorhersagegenauigkeit eines KI-Modells.
- 3Bewerten Sie die ethischen Implikationen des Einsatzes von KI-Modellen in der personalisierten Werbung.
- 4Erklären Sie den Unterschied zwischen Supervised und Unsupervised Learning anhand von zwei konkreten Anwendungsbeispielen.
- 5Entwerfen Sie ein einfaches Experiment zur Untersuchung des Einflusses von Trainingsdaten auf die Leistung eines Klassifikationsalgorithmus.
Möchten Sie einen vollständigen Unterrichtsentwurf mit diesen Lernzielen? Mission erstellen →
Pärchenarbeit: Lernarten klassifizieren
Schüler erhalten Beispiele aus dem Alltag und ordnen sie überwachtem oder unüberwachtem Lernen zu. Sie begründen ihre Entscheidung und notieren Vor- und Nachteile. Gemeinsam erstellen sie ein Vergleichsposter.
Vorbereitung & Details
Erklären Sie den Unterschied zwischen überwachtem und unüberwachtem Lernen anhand von Beispielen.
Moderationstipp: Bei der Pärchenarbeit gezielt Paare mit unterschiedlichen Vorwissensständen zusammenbringen, um den Austausch zu fördern.
Setup: Klassenzimmer mit flexibler Bestuhlung für Gruppenaktivitäten
Materials: Vorbereitungsmaterial (Video/Text mit Leitfragen), Lernstandskontrolle oder Entrance Ticket, Anwendungsaufgaben für die Präsenzphase, Reflexionsjournal
Gruppenarbeit: Trainingsdaten analysieren
Gruppen untersuchen reale Datensätze auf Qualität, Bias und Relevanz. Sie simulieren Modelltraining und prognostizieren Leistungsprobleme. Ergebnisse werden in einer Präsentation zusammengefasst.
Vorbereitung & Details
Analysieren Sie die Bedeutung von Trainingsdaten für die Leistungsfähigkeit von KI-Modellen.
Moderationstipp: In der Gruppenarbeit darauf achten, dass alle Schülerinnen und Schüler aktiv an der Analyse der Trainingsdaten teilnehmen, z. B. durch Rollenzuweisung (Datenprüfer, Notizenführer, Präsentator).
Setup: Klassenzimmer mit flexibler Bestuhlung für Gruppenaktivitäten
Materials: Vorbereitungsmaterial (Video/Text mit Leitfragen), Lernstandskontrolle oder Entrance Ticket, Anwendungsaufgaben für die Präsenzphase, Reflexionsjournal
Individuelle Aufgabe: Fallstudie bewerten
Jeder Schüler wählt eine Anwendung wie Spracherkennung und bewertet Potenziale sowie Grenzen basierend auf Lernarten. Eine kurze Reflexion schließt ab.
Vorbereitung & Details
Bewerten Sie die Grenzen und Potenziale des Maschinellen Lernens in verschiedenen Anwendungsbereichen.
Moderationstipp: Während der Fallstudienbewertung individuelle Rückmeldungen geben, die sich auf konkrete Textstellen oder Datenbeispiele beziehen.
Setup: Klassenzimmer mit flexibler Bestuhlung für Gruppenaktivitäten
Materials: Vorbereitungsmaterial (Video/Text mit Leitfragen), Lernstandskontrolle oder Entrance Ticket, Anwendungsaufgaben für die Präsenzphase, Reflexionsjournal
Ganzer-Klasse-Diskussion: Ethikfragen
Die Klasse diskutiert gesellschaftliche Implikationen von ML, z. B. Datenschutz. Moderatoren leiten und notieren Konsenspunkte.
Vorbereitung & Details
Erklären Sie den Unterschied zwischen überwachtem und unüberwachtem Lernen anhand von Beispielen.
Moderationstipp: In der Klassen-Diskussion ethische Fragen nicht nur theoretisch erörtern, sondern immer wieder auf praktische Beispiele aus den vorherigen Aktivitäten zurückverweisen.
Setup: Klassenzimmer mit flexibler Bestuhlung für Gruppenaktivitäten
Materials: Vorbereitungsmaterial (Video/Text mit Leitfragen), Lernstandskontrolle oder Entrance Ticket, Anwendungsaufgaben für die Präsenzphase, Reflexionsjournal
Dieses Thema unterrichten
Erfahrene Lehrkräfte betonen, dass das Thema nicht über abstrakte Definitionen eingeführt werden sollte, sondern über alltagsnahe Beispiele und die aktive Auseinandersetzung mit Daten. Wichtig ist, Missverständnisse wie die Vermenschlichung von Algorithmen oder die Annahme, dass mehr Daten immer besser sind, frühzeitig durch Gegenbeispiele zu korrigieren. Der Fokus liegt auf dem Verständnis der Funktionsweise und den Grenzen von KI-Modellen.
Was Sie erwartet
Erfolgreiches Lernen zeigt sich darin, dass die Schülerinnen und Schüler die Kernunterschiede zwischen überwachtem und unüberwachtem Lernen erklären können, Beispiele aus dem Alltag zuordnen und die Bedeutung von Datenqualität für die Modellperformance bewerten. Sie erkennen, welche Lernart für welche Problemstellung geeignet ist.
Diese Aktivitäten sind ein Ausgangspunkt. Die vollständige Mission ist das Erlebnis.
- Vollständiges Moderationsskript mit Lehrkraft-Dialogen
- Druckfertige Schülermaterialien, bereit für den Unterricht
- Differenzierungsstrategien für jeden Lerntyp
Vorsicht vor diesen Fehlvorstellungen
Häufige FehlvorstellungWährend der Pärchenarbeit zur Klassifizierung von Lernarten achten Sie darauf, dass einige Schülerinnen und Schüler Algorithmen mit menschlichem Lernen vergleichen.
Was Sie stattdessen lehren sollten
Lenken Sie die Diskussion gezielt auf die Unterschiede zwischen datenbasierter Optimierung und menschlicher Intuition, indem Sie nachfragen: 'Was würde passieren, wenn das System eine Katze nicht erkennt, weil die Trainingsdaten nur Hunde enthalten?'
Häufige FehlvorstellungWährend der Gruppenarbeit zur Analyse von Trainingsdaten halten Sie Ausschau nach der Annahme, dass überwachtes Lernen immer besser sei als unüberwachtes.
Was Sie stattdessen lehren sollten
Fordern Sie die Gruppen auf, mindestens ein Beispiel für eine Situation zu finden, in der unüberwachtes Lernen die bessere Wahl wäre, z. B. bei der Entdeckung unbekannter Kundengruppen.
Häufige FehlvorstellungWährend der Fallstudienbewertung bemerken Sie, dass Schülerinnen und Schüler die Bedeutung der Datenqualität unterschätzen.
Was Sie stattdessen lehren sollten
Bitten Sie die Schülerinnen und Schüler, in ihrer Bewertung konkret zu benennen, welche Daten fehlen oder verzerrt sein könnten, und wie sich das auf das Modell auswirken würde.
Ideen zur Lernstandserhebung
Nach der Pärchenarbeit zum Klassifizieren der Lernarten erhalten die Schülerinnen und Schüler zwei kurze Szenarien (Spam-Erkennung und Kundensegmentierung) und schreiben auf, welche Lernart jeweils vorliegt und warum.
Während der Gruppenarbeit zur Analyse von Trainingsdaten stellen Sie die Frage: 'Welche Daten würden Sie für ein Modell sammeln, das die Qualität von Äpfeln anhand von Bildern beurteilt? Wie stellen Sie sicher, dass die Daten repräsentativ sind und keine Verzerrungen enthalten?'
Nach der Fallstudienbewertung geben Sie den Schülerinnen und Schülern eine Liste von Begriffen (Klassifikation, Regression, Clustering, Dimensionsreduktion) und bitten sie, diese dem überwachten oder unüberwachten Lernen zuzuordnen und kurz zu begründen.
Erweiterungen & Unterstützung
- Fordern Sie Schülerinnen und Schüler auf, ein eigenes Mini-Projekt vorzuschlagen: Welche Art von Lernen wäre für die Lösung eines selbstgewählten Problems (z. B. Vorhersage von Hauspreisen, Erkennung von Musikgenres) geeignet? Dokumentieren Sie die Entscheidung und begründen Sie sie.
- Für Schülerinnen und Schüler, die Schwierigkeiten haben, vereinfachen Sie die Aufgabenstellung der Fallstudie, indem Sie eine Tabelle mit vorgegebenen Kriterien für die Bewertung der Trainingsdaten bereitstellen.
- Vertiefen Sie das Thema durch eine Rechercheaufgabe: Finden Sie reale Beispiele für Bias in KI-Systemen und diskutieren Sie, wie diese durch bessere Datenqualität oder alternative Lernmethoden vermieden werden könnten.
Schlüsselvokabular
| Überwachtes Lernen | Ein Ansatz des maschinellen Lernens, bei dem ein Modell anhand von gelabelten Trainingsdaten lernt, d.h. Eingabe-Ausgabe-Paaren. |
| Unüberwachtes Lernen | Ein Ansatz des maschinellen Lernens, bei dem ein Modell Muster in ungelabelten Daten erkennt, ohne vorgegebene Ausgaben. |
| Trainingsdaten | Die Datenmenge, die verwendet wird, um ein maschinelles Lernmodell zu trainieren und seine Parameter anzupassen. |
| Label | Die korrekte Ausgabe oder Kategorie, die einem Datensatz im überwachten Lernen zugeordnet ist. |
| Clustering | Eine Technik des unüberwachten Lernens, die darauf abzielt, eine Menge von Objekten so zu gruppieren, dass Objekte in derselben Gruppe (Cluster) ähnlicher sind als in anderen Gruppen. |
Vorgeschlagene Methoden
Planungsvorlagen für Informatik in der Oberstufe: Algorithmen, Daten und Gesellschaft
Mehr in Informatik, Mensch und Gesellschaft
Künstliche Intelligenz und Ethik
Funktionsweise von Machine Learning und die Problematik von Bias in Algorithmen.
2 methodologies
Automatisierung und Arbeitswelt
Veränderung von Berufsbildern und wirtschaftlichen Strukturen durch Software.
2 methodologies
Digitale Souveränität
Bedeutung von Open Source, Standards und Kontrolle über die eigene digitale Identität.
2 methodologies
Urheberrecht und Lizenzen in der Softwareentwicklung
Die Schülerinnen und Schüler verstehen die rechtlichen Rahmenbedingungen für Software und digitale Inhalte.
2 methodologies
Digitale Spuren und Privatsphäre
Reflexion über die Erfassung und Nutzung persönlicher Daten im Internet.
2 methodologies
Bereit, Grundlagen des Maschinellen Lernens zu unterrichten?
Erstellen Sie eine vollständige Mission mit allem, was Sie brauchen
Mission erstellen