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.

• Klasse 13
• Informatik Oberstufe: Komplexe Systeme und Theoretische Grundlagen
• 4 Aktivitäten
• 30 Min.–60 Min.

Lernziele

1. Erklären Sie die Funktionsweise von Konvolutions-, Pooling- und voll verbundenen Schichten in einem CNN.
2. Analysieren Sie die Schritte zur Bilderkennung mit einem CNN, von der Merkmalsextraktion bis zur Klassifikation.
3. Bewerten Sie die Auswirkungen von Hyperparametern wie Lernrate und Batch-Größe auf die Trainingsleistung eines CNN.
4. Entwerfen Sie ein einfaches CNN-Modell für eine gegebene Bildklassifikationsaufgabe.
5. Vergleichen Sie die Effektivität von CNNs mit traditionellen Machine-Learning-Algorithmen für Bildverarbeitungsaufgaben.

Fertige Unterrichtsaktivitäten

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.

Vorbereitung & Details

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.

Setup: Im Raum verteilte Tische/Stationen

Materials: Stationskarten mit Arbeitsanweisungen, Unterschiedliche Materialien je Station, Timer für die Rotation

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

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.

Vorbereitung & Details

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.

Setup: Flexible Lernumgebung mit Zugang zu Materialien und moderner Technik

Materials: Project Brief mit einer Leitfrage, Planungsvorlage und Zeitplan, Bewertungsraster (Rubric) mit Meilensteinen, Präsentationsmaterialien

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

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.

Vorbereitung & Details

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.

Setup: Flexible Lernumgebung mit Zugang zu Materialien und moderner Technik

Materials: Project Brief mit einer Leitfrage, Planungsvorlage und Zeitplan, Bewertungsraster (Rubric) mit Meilensteinen, Präsentationsmaterialien

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

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.

Vorbereitung & Details

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

Setup: Flexible Lernumgebung mit Zugang zu Materialien und moderner Technik

Materials: Project Brief mit einer Leitfrage, Planungsvorlage und Zeitplan, Bewertungsraster (Rubric) mit Meilensteinen, Präsentationsmaterialien

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

Dieses Thema unterrichten

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'.

Was Sie erwartet

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

Häufige Fehlvorstellung

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.

Was Sie stattdessen lehren sollten

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.

Häufige Fehlvorstellung

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.

Was Sie stattdessen lehren sollten

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.

Häufige Fehlvorstellung

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.

Was Sie stattdessen lehren sollten

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.

Ideen zur Lernstandserhebung

Lernstandskontrolle

After the Stationenlernen 'CNN-Filter simulieren' erhalten die Schülerinnen und Schüler ein einfaches Bild (z.B. ein Haus) und sollen die drei wichtigsten Schichten eines CNN benennen und ihre Funktion erklären, z.B. welche Merkmale die Konvolutionsschicht erkennt und was Pooling bewirkt.

Kurze Überprüfung

During the Paararbeit 'Einfaches CNN in Keras bauen' stellen Sie nach 10 Minuten eine kurze Frage wie: 'Was passiert mit der Bildgröße nach einer Pooling-Schicht mit 2x2-Filtern und stride 2?' und sammeln die Antworten per Handzeichen, um Verständnisschwierigkeiten sofort zu adressieren.

Diskussionsfrage

After the Ganzer Unterricht 'CNN-Anwendungen debattieren' leiten Sie eine Diskussion mit der Frage: 'Welche ethischen Konsequenzen hat der Einsatz von CNNs in der Gesichtserkennung für die Privatsphäre von Bürgerinnen und Bürgern?' Die Schüler sollen Argumente aus der Debatte aufgreifen und in einer schriftlichen Reflexion (2-3 Sätze) zusammenfassen.

Erweiterungen & Unterstützung

• Fordern Sie schnelle Lernende auf, ein eigenes CNN mit einer ungewöhnlichen Bildklasse (z.B. Wolkenformen) zu trainieren und die Ergebnisse zu dokumentieren.
• Unterstützen Sie unsichere Schüler durch eine vorbereitete Schritt-für-Schritt-Anleitung mit Screenshots der Keras-Codezeilen und erklärenden Notizen.
• Vertiefen Sie das Thema mit einer Recherche zu aktuellen Anwendungen von CNNs in der Medizin (z.B. Tumorerkennung) und einem kurzen Vergleich der verwendeten Architekturen.

Schlüsselvokabular

Konvolutionsschicht	Eine Schicht in einem CNN, die Filter verwendet, um lokale Muster und Merkmale wie Kanten oder Texturen in einem Eingabebild zu erkennen.
Pooling-Schicht	Eine Schicht, die die räumliche Größe von Merkmalen reduziert, um die Rechenlast zu verringern und die Robustheit gegenüber Verschiebungen zu erhöhen, z. B. Max-Pooling.
Filter (Kernel)	Eine kleine Matrix von Gewichten, die über das Eingabebild geschoben wird, um spezifische Merkmale zu extrahieren.
Overfitting	Ein Problem beim Training, bei dem ein Modell die Trainingsdaten zu gut lernt und schlecht auf neuen, ungesehenen Daten generalisiert.
Aktivierungsfunktion	Eine nichtlineare Funktion (z. B. ReLU), die auf die Ausgabe einer Schicht angewendet wird, um dem Netzwerk die Modellierung komplexer Beziehungen zu ermöglichen.