Informatik · Klasse 13

Ideen für aktives Lernen

Deep Learning und Convolutional Neural Networks (CNNs)

Aktives Lernen funktioniert hier besonders gut, weil CNNs komplexe Konzepte wie Feature-Extraktion und Parameterabhängigkeiten durch praktische Erfahrungen greifbar machen. Schülerinnen und Schüler begreifen Schichten, Filter und Datensätze besser, wenn sie diese selbst konstruieren oder simulieren, statt nur zu lesen oder zuzuhören.

• KMK Bildungsstandards
• KMK: Sekundarstufe II - Algorithmen
• KMK: Sekundarstufe II - Informatiksysteme

• 30–60 Min.
• Partnerarbeit → Ganze Klasse
• 4 Aktivitäten

Aktivität 01

• Lernen an Stationen
• 45 Min. · Kleingruppen

Lernen an Stationen: CNN-Filter simulieren

Richten Sie Stationen ein: Bei Station 1 falten Schüler manuell Filter auf gedruckten Bildern, um Kanten zu markieren. Station 2 testet Pooling mit Gitterreduktion. Station 3 klassifiziert vereinfachte Bilder. Gruppen rotieren alle 10 Minuten und protokollieren Ergebnisse.

Erklären Sie die Funktionsweise von Convolutional Neural Networks (CNNs).

Moderationstipp

Stellen Sie sicher, dass bei der Simulationsstation alle Materialien (z.B. Filterkerne als Folien, transparente Overlays) griffbereit und in ausreichender Anzahl vorhanden sind, damit Gruppen parallel arbeiten können.

Worauf zu achten ist

Geben Sie den Schülerinnen und Schülern ein einfaches Bild (z. B. Katze, Hund). Bitten Sie sie, die wichtigsten Schichten eines CNN zu benennen, die zur Klassifikation dieses Bildes benötigt werden, und kurz zu erklären, welche Funktion jede Schicht erfüllt.

• Erinnern
• Verstehen
• Anwenden
• Analysieren
• Selbststeuerung
• Beziehungsfähigkeit

Aktivität 02

• Projektbasiertes Lernen
• 60 Min. · Partnerarbeit

Paararbeit: Einfaches CNN in Keras bauen

Paare installieren Keras und TensorFlow, laden einen Datensatz wie CIFAR-10. Sie bauen ein CNN mit drei Konvolutionsschichten, trainieren es 10 Epochen und vergleichen Genauigkeit. Abschließend diskutieren sie Overfitting-Effekte.

Analysieren Sie die Anwendungsbereiche von CNNs in der Computer Vision.

Moderationstipp

Begrenzen Sie die Bauzeit des einfachen CNNs in Keras auf 20 Minuten, um Frustration bei technischen Problemen zu vermeiden und den Fokus auf Konzepte zu lenken.

Worauf zu achten ist

Stellen Sie eine Frage wie: 'Was passiert, wenn die Filtergröße in der Konvolutionsschicht eines CNN verringert wird?' oder 'Welche Gefahr besteht, wenn ein CNN mit zu wenigen Trainingsdaten trainiert wird?' Sammeln Sie Antworten per Handzeichen oder digital.

• Anwenden
• Analysieren
• Bewerten
• Erschaffen
• Selbststeuerung
• Beziehungsfähigkeit
• Entscheidungsfähigkeit

Aktivität 03

• Projektbasiertes Lernen
• 50 Min. · Ganze Klasse

Ganzer Unterricht: CNN-Anwendungen debattieren

Zeigen Sie Videos zu CNNs in der Medizin und im Alltag. Die Klasse teilt sich in Gruppen, bewertet Vor- und Nachteile und präsentiert Empfehlungen. Schließen Sie mit einer Abstimmung ab.

Bewerten Sie die Herausforderungen beim Training von Deep Learning-Modellen.

Moderationstipp

Führen Sie die Debatte zur Gesichtserkennung erst durch, nachdem die Klasse konkrete Erfahrungen mit CNNs gesammelt hat, um fundierte Argumente zu ermöglichen.

Worauf zu achten ist

Leiten Sie eine Diskussion mit der Frage: 'Welche ethischen Überlegungen sind beim Einsatz von CNNs für die Gesichtserkennung relevant?' Ermutigen Sie die Schülerinnen und Schüler, verschiedene Perspektiven zu beleuchten, wie Datenschutz und potenzielle Diskriminierung.

• Anwenden
• Analysieren
• Bewerten
• Erschaffen
• Selbststeuerung
• Beziehungsfähigkeit
• Entscheidungsfähigkeit

Aktivität 04

• Projektbasiertes Lernen
• 30 Min. · Einzelarbeit

Individuell: CNN-Parameter optimieren

Jede Schülerin und jeder Schüler startet mit einem vorgegebenen CNN-Code, variiert Lernrate und Kernel-Größe. Sie protokollieren Genauigkeitskurven und notieren beste Einstellungen in einem Logbuch.

Erklären Sie die Funktionsweise von Convolutional Neural Networks (CNNs).

Worauf zu achten ist

Geben Sie den Schülerinnen und Schülern ein einfaches Bild (z. B. Katze, Hund). Bitten Sie sie, die wichtigsten Schichten eines CNN zu benennen, die zur Klassifikation dieses Bildes benötigt werden, und kurz zu erklären, welche Funktion jede Schicht erfüllt.

• Anwenden
• Analysieren
• Bewerten
• Erschaffen
• Selbststeuerung
• Beziehungsfähigkeit
• Entscheidungsfähigkeit

Einige Hinweise zum Unterrichten dieser Einheit

Lehrerinnen und Lehrer sollten CNNs schrittweise einführen: Zuerst die Basics der Bildverarbeitung mit visuellen Beispielen erklären, dann die Schüler selbst Filter anwenden lassen und erst zum Schluss die Theorie der Backpropagation vertiefen. Vermeiden Sie es, zu früh in mathematische Details abzutauchen, da dies die Motivation mindert. Nutzen Sie Metaphern wie 'das CNN ist wie ein Kurator, der nacheinander immer kleinere Details eines Kunstwerks betrachtet'.

Erfolgreiches Lernen zeigt sich darin, dass Schülerinnen und Schüler die Funktionsweise von CNNs nicht nur beschreiben, sondern auch in Simulationen anwenden und kritisch hinterfragen können. Sie erkennen Limitierungen des Modells, optimieren Parameter gezielt und diskutieren ethische Aspekte fundiert.

---

Vorsicht vor diesen Fehlvorstellungen

• Während der Stationenarbeit 'CNN-Filter simulieren' beobachten Sie, wie Schüler Modelle wie Menschen funktionieren lassen. Korrigieren Sie dies, indem Sie sie gebrauchte Filterkerne auf manipulierte Bilder (z.B. gedrehte Katzen) anwenden lassen. Die Schüler sehen dann, dass das Modell scheitert, während Menschen die Bilder trotzdem erkennen.

  During the Stationenlernen 'CNN-Filter simulieren', verwenden Sie manipulierte Bilder wie um 90 Grad gedrehte Tierfotos. Die Schülerinnen und Schüler erkennen durch die Fehlklassifikation, dass CNNs keine semantische Bedeutung verstehen, sondern nur Pixelkorrelationen lernen.

• Während der Paararbeit 'Einfaches CNN in Keras bauen' hören Sie Schüler sagen, dass mehr Schichten immer zu besseren Ergebnissen führen. Unterbrechen Sie dies, indem Sie die Klasse auffordern, ein CNN mit 3 Schichten zu trainieren und dann eines mit 6 Schichten. Vergleichen Sie die Trainingskurven und besprechen Sie, warum die tiefere Variante möglicherweise schlechter abschneidet.

  During the Paararbeit 'Einfaches CNN in Keras bauen', lassen Sie die Schüler ein Modell mit 3 Konvolutionsschichten trainieren und dann ein zweites mit 6 Schichten. Die Trainingskurven zeigen Overfitting oder Vanishing Gradients, sodass sie selbst erkennen, dass mehr Schichten nicht automatisch besser sind.

• Während der individuellen Aufgabe 'CNN-Parameter optimieren' gehen einige davon aus, dass kleine Datensätze ausreichen. Bitten Sie diese Schüler, ein CNN mit 50 Bildern und eines mit 500 Bildern zu trainieren. Die schlechte Generalisierung des ersten Modells macht den Unterschied deutlich.

  During the individuellen Aufgabe 'CNN-Parameter optimieren', fordern Sie Schüler auf, ein CNN mit einem kleinen Datensatz (z.B. 50 Bilder) und eines mit einem großen (z.B. 500 Bilder) zu trainieren. Die schlechtere Performance des kleinen Sets zeigt die Notwendigkeit umfangreicher Daten für Generalisierung.

---

In dieser Übersicht verwendete Methoden

• Lernen an Stationen
• Projektbasiertes Lernen