Informatik · Klasse 13

Ideen für aktives Lernen

Grundlagen des Machine Learning

Aktives Lernen eignet sich besonders für Machine Learning, weil Schülerinnen und Schüler durch praktische Erfahrungen die abstrakten Konzepte des überwachten, unüberwachten und bestärkenden Lernens greifbar machen. Die Stationen und Challenges fördern nicht nur das Verständnis, sondern auch die Reflexion über Datenqualität und Modellverhalten.

KMK BildungsstandardsKMK: Sekundarstufe II - AlgorithmenKMK: Sekundarstufe II - Daten und ihre Strukturierung

30–50 Min.Partnerarbeit → Ganze Klasse4 Aktivitäten

Aktivität 01

Lernen an Stationen45 Min. · Kleingruppen

Lernen an Stationen: Lernparadigmen erkunden

Richten Sie drei Stationen ein: Überwachtes Lernen mit gelabelten Datensätzen klassifizieren, unüberwachtes Lernen durch Clustering visualisieren, bestärkendes Lernen mit einem einfachen Spiel simulieren. Gruppen rotieren alle 10 Minuten, notieren Beobachtungen und diskutieren Anwendungen. Abschließende Plenumrunde fasst Erkenntnisse zusammen.

Differentiieren Sie zwischen überwachtem und unüberwachtem Lernen.

ModerationstippLegen Sie bei der Stationenarbeit klare Zeitlimits fest, damit die Schüler sich auf das Wesentliche konzentrieren und nicht in Details verlieren.

Worauf zu achten istGeben Sie jeder Schülerin und jedem Schüler eine Karte mit einem kurzen Szenario (z.B. 'Vorhersage von Aktienkursen', 'Gruppierung von Nachrichtenartikeln', 'Roboter lernt laufen'). Bitten Sie sie, das passende Lernparadigma (überwacht, unüberwacht, bestärkend) zu identifizieren und eine Begründung dafür zu schreiben.

ErinnernVerstehenAnwendenAnalysierenSelbststeuerungBeziehungsfähigkeit

Komplette Unterrichtsstunde erstellen

Aktivität 02

Concept-Mapping30 Min. · Partnerarbeit

Datenlabeling-Challenge: Paarbeispiele

In Paaren erhalten Schüler ungelabelte Daten und labeln sie manuell für supervised Learning. Sie trainieren dann ein einfaches Modell mit Tools wie Orange oder Scratch und vergleichen Ergebnisse mit ungelabelten Ansätzen. Diskussion: Welche Datenqualität ist entscheidend?

Erklären Sie die Rolle von Daten in Machine Learning-Modellen.

ModerationstippVerwenden Sie bei der Datenlabeling-Challenge reale, fehleranfällige Datensätze, um den Einfluss von Datenqualität direkt erlebbar zu machen.

Worauf zu achten istStellen Sie eine Liste von Datensätzen vor (z.B. 'Bilder von Katzen und Hunden mit Beschriftung', 'Kundenbewertungen ohne Sterne', 'Spielbrett mit Punktestand'). Lassen Sie die Schüler per Handzeichen oder digital angeben, ob der Datensatz für überwachtes, unüberwachtes oder bestärkendes Lernen am besten geeignet ist und warum.

VerstehenAnalysierenErschaffenSelbstwahrnehmungSelbststeuerung

Komplette Unterrichtsstunde erstellen

Aktivität 03

Concept-Mapping50 Min. · Ganze Klasse

Reinforcement Learning: Spielsimulation

Die Klasse spielt ein gemeinsames Spiel wie Tic-Tac-Toe, wobei ein Schüler als Agent Belohnungen sammelt. Andere beobachten und notieren Strategieentwicklungen. Danach modellieren Gruppen das in Pseudocode und vergleichen mit realen RL-Beispielen.

Analysieren Sie Beispiele für die Anwendung verschiedener Lernparadigmen.

ModerationstippFühren Sie die Spielsimulation im Bestärkenden Lernen mit einer einfachen Belohnungsfunktion ein, damit die Schüler die Mechanik ohne Überforderung nachvollziehen können.

Worauf zu achten istLeiten Sie eine Diskussion mit der Frage: 'Welche Rolle spielt die Qualität und Menge der Daten für den Erfolg eines Machine Learning-Modells? Geben Sie Beispiele, wie schlechte Daten zu Fehlern führen können.' Ermutigen Sie die Schüler, ihre Antworten auf die verschiedenen Lernparadigmen zu beziehen.

VerstehenAnalysierenErschaffenSelbstwahrnehmungSelbststeuerung

Komplette Unterrichtsstunde erstellen

Aktivität 04

Concept-Mapping35 Min. · Einzelarbeit

Clustering-Rallye: Muster finden

Individuell clustern Schüler Datenpunkte auf Arbeitsblättern (z.B. Kundendaten). In Kleingruppen teilen sie Ergebnisse, verfeinern Cluster und diskutieren unsupervised vs. supervised. Abschluss: Präsentation eines gemeinsamen Clusters.

Differentiieren Sie zwischen überwachtem und unüberwachtem Lernen.

ModerationstippGeben Sie bei der Clustering-Rallye konkrete Beispiele vor, damit die Schüler die Mustererkennung gezielt üben und nicht zufällig suchen.

VerstehenAnalysierenErschaffenSelbstwahrnehmungSelbststeuerung

Komplette Unterrichtsstunde erstellen

Vorlagen

Vorlagen, die zu diesen Informatik-Aktivitäten passen

Nutzen, bearbeiten, drucken oder teilen.

UnterrichtsplanMINTEine MINT Vorlage, die auf dem Engineering Design Process basiert. Sie integriert Mathematik, Informatik, Naturwissenschaft und Technik durch reale Herausforderungen, die Lernende untersuchen und lösen.Unterrichtsplan

Einige Hinweise zum Unterrichten dieser Einheit

Erfahrungsgemäß funktioniert ein Wechsel zwischen Theorieimpulsen und praktischen Phasen am besten. Vermeiden Sie lange Frontalphasen – stattdessen führen Sie die Konzepte kurz ein und lassen die Schüler sofort selbst ausprobieren. Die Diskussion im Plenum sollte sich auf die Beobachtungen aus den Aktivitäten stützen, nicht auf abstrakte Definitionen.

Erfolgreiches Lernen zeigt sich darin, dass Schülerinnen und Schüler die drei Lernparadigmen unterscheiden und begründet anwenden können. Sie erkennen die Bedeutung von Datenlabels, erkennen explorative Möglichkeiten ungelabelter Daten und verstehen die Rolle von Belohnungen im bestärkenden Lernen.

Vorsicht vor diesen Fehlvorstellungen

Während der Stationenlernen: Erkennen Sie, dass Schüler Machine Learning oft mit menschlicher Intuition verbinden. Führen Sie gezielt Experimente mit fehlerhaften Daten durch und lassen Sie die Schüler diskutieren, warum das Modell falsche Schlüsse zieht.
Nach der Stationenarbeit lassen Sie die Schüler Modelle mit bewusst verrauschten Daten trainieren. In der Reflexion wird deutlich, dass Algorithmen keine Intuition haben, sondern Muster in den Daten erkennen.
Während der Clustering-Rallye: Achten Sie darauf, dass Schüler überwachtes Lernen pauschal als besser bewerten. Lassen Sie sie die Vor- und Nachteile beider Paradigmen anhand konkreter Beispiele vergleichen.
Nach der Clustering-Rallye konfrontieren Sie die Schüler mit einem Szenario, das sowohl überwachte als auch unüberwachte Ansätze erfordert. Sie müssen begründen, warum Labels hier nicht verfügbar sind und welche Alternative sinnvoll ist.
Während der Spielsimulation im Bestärkenden Lernen: Beobachten Sie, ob Schüler annehmen, dass Bestärkendes Lernen ohne Daten auskommt. Nutzen Sie die Simulation, um zu zeigen, wie jede Aktion und Belohnung als Datenpunkt gespeichert wird.
Nach der Simulation lassen Sie die Schüler die Belohnungsfunktion analysieren. Sie erkennen, dass jede Interaktion mit der Umwelt als Datenpunkt dient und das Modell daraus lernt.

In dieser Übersicht verwendete Methoden

Mehr in Künstliche Intelligenz und Machine Learning

Einführung in Künstliche Intelligenz

Die Schülerinnen und Schüler lernen die Definition, Geschichte und Anwendungsbereiche der KI kennen.

2 methodologies

Lineare Regression und Klassifikation

Die Schülerinnen und Schüler lernen grundlegende Machine Learning-Modelle wie lineare Regression und logistische Regression kennen.

2 methodologies

Grundlagen neuronaler Netze

Modellierung biologischer Lernprozesse durch Perzeptrone und Backpropagation.

3 methodologies

Deep Learning und Convolutional Neural Networks (CNNs)

Die Schülerinnen und Schüler lernen Deep Learning-Architekturen und CNNs für Bilderkennung kennen.

2 methodologies

Training und Evaluierung von ML-Modellen

Die Schülerinnen und Schüler lernen Methoden zur Bewertung und Optimierung von Machine Learning-Modellen.

2 methodologies