Aktivität 01
Papier-Perzeptron: Punkte klassifizieren
Zeichnen Sie eine Achse auf Papier und markieren Sie Punkte als rot oder blau. Passen Sie Gewichte und Bias manuell an, um eine Trennlinie zu finden. Gruppen testen Vorhersagen und diskutieren Anpassungen.
Wie lernt eine Maschine aus Daten, ohne explizit programmiert zu werden?
ModerationstippLassen Sie die Schülerinnen und Schüler beim Papier-Perzeptron die Gewichte farbig markieren, um die Bedeutung für die Entscheidungsgrenze visuell zu verankern.
Worauf zu achten istStellen Sie den Schülern eine einfache binäre Klassifikationsaufgabe (z.B. Spam-Erkennung anhand von Stichwörtern). Bitten Sie sie, die Eingaben, Gewichte und den Schwellenwert für ein einzelnes Perzeptron zu definieren, das diese Aufgabe lösen könnte.
AnwendenAnalysierenBewertenErschaffenSozialbewusstseinEntscheidungsfähigkeit
Komplette Unterrichtsstunde erstellen→· · ·
Aktivität 02
Backpropagation-Simulation in Python
Verwenden Sie NumPy, um ein einfaches Netz mit einer versteckten Schicht zu coden. Trainieren Sie es auf XOR-Daten, visualisieren Sie Gewichteänderungen. Schüler iterieren Parameter und protokollieren Loss.
Was unterscheidet klassische Algorithmen von probabilistischen KI-Modellen?
ModerationstippFordern Sie in der Backpropagation-Simulation gezielt auf, die Lernrate zu variieren und die Auswirkungen auf die Konvergenzgeschwindigkeit zu dokumentieren.
Worauf zu achten istDiskutieren Sie mit den Schülern: 'Stellen Sie sich vor, Sie trainieren ein neuronales Netz zur Erkennung von Katzenbildern, aber Ihr Trainingsdatensatz enthält nur Bilder von Hauskatzen. Welche Probleme könnten beim Testen mit Bildern von Großkatzen (Löwen, Tiger) auftreten und wie beeinflusst dies die 'Generalisierungsfähigkeit' des Netzes?'
AnwendenAnalysierenBewertenErschaffenSozialbewusstseinEntscheidungsfähigkeit
Komplette Unterrichtsstunde erstellen→· · ·
Aktivität 03
Datenqualität testen: Bias-Experiment
Erstellen Sie zwei Datasets mit unterschiedlichem Bias für Bildklassifikation. Trainieren Sie ein Perzeptron-ähnliches Modell und vergleichen Sie Genauigkeit. Diskutieren Sie Implikationen in Plenum.
Wie beeinflusst die Qualität der Trainingsdaten das Ergebnis einer KI?
ModerationstippNutzen Sie beim Bias-Experiment eine Tabelle, in der Schülerinnen und Schüler systematisch die Datenmenge und die Fehlerrate eintragen, um Abhängigkeiten zu erkennen.
Worauf zu achten istBitten Sie die Schüler, auf einer Karte zwei Sätze zu schreiben: 1. Beschreiben Sie in einem Satz, was Backpropagation tut. 2. Nennen Sie eine Situation, in der die Qualität der Trainingsdaten entscheidend für den Erfolg eines neuronalen Netzes ist.
AnwendenAnalysierenBewertenErschaffenSozialbewusstseinEntscheidungsfähigkeit
Komplette Unterrichtsstunde erstellen→· · ·
Aktivität 04
Netzwerk-Architektur bauen: Layer-Stacking
Bauen Sie schrittweise Netze mit mehr Schichten auf, trainieren mit Backpropagation. Messen Sie Konvergenzzeit und Genauigkeit. Gruppen präsentieren optimale Konfigurationen.
Wie lernt eine Maschine aus Daten, ohne explizit programmiert zu werden?
ModerationstippBauen Sie beim Layer-Stacking ein gemeinsames Whiteboard-Diagramm, um die Verbindungen zwischen den Schichten nachvollziehbar zu machen.
Worauf zu achten istStellen Sie den Schülern eine einfache binäre Klassifikationsaufgabe (z.B. Spam-Erkennung anhand von Stichwörtern). Bitten Sie sie, die Eingaben, Gewichte und den Schwellenwert für ein einzelnes Perzeptron zu definieren, das diese Aufgabe lösen könnte.
AnwendenAnalysierenBewertenErschaffenSozialbewusstseinEntscheidungsfähigkeit
Komplette Unterrichtsstunde erstellen→Einige Hinweise zum Unterrichten dieser Einheit
Unterrichten Sie neuronale Netze schrittweise und vermeiden Sie es, zu früh in die Mathematik von Backpropagation einzutauchen. Beginnen Sie mit dem Perzeptron als Blackbox, die durch manuelles Anpassen von Gewichten erfahrbar wird. Betonen Sie, dass neuronale Netze Muster erkennen, aber kein semantisches Verständnis entwickeln. Nutzen Sie Analogien aus dem Alltag, wie das Einstellen eines Thermostatventils, um die Idee der Schwellenwerte zu veranschaulichen. Wiederholen Sie regelmäßig die Unterscheidung zwischen deterministischen Algorithmen und probabilistischen KI-Modellen, um Missverständnissen vorzubeugen.
Erfolgreiches Lernen zeigt sich darin, dass Schülerinnen und Schüler die Rolle von Eingaben, Gewichten und Schwellenwerten in einem Perzeptron erklären können und die schrittweise Optimierung durch Backpropagation nachvollziehen. Sie erkennen zudem, wie Datenqualität und Netzwerkarchitektur die Lernfähigkeit beeinflussen. Ein transferfähiges Verständnis entsteht, wenn sie diese Prinzipien auf neue Klassifikationsaufgaben übertragen.
Vorsicht vor diesen Fehlvorstellungen
Während der Aktivität 'Papier-Perzeptron: Punkte klassifizieren' beobachten Sie, ob Schülerinnen und Schüler anthropomorphe Formulierungen wie 'das Netz versteht' oder 'erkennt intuitiv' verwenden.
Lenken Sie die Aufmerksamkeit auf die mechanische Funktion der Gewichte und Schwellenwerte, indem Sie fragen: 'Wie ändert sich die Entscheidungsgrenze, wenn Sie dieses Gewicht hier erhöhen?' und die Tabelle 'Gewicht | Entscheidungsgrenze' gemeinsam ausfüllen.
Während der Aktivität 'Backpropagation-Simulation in Python' achten Sie auf Aussagen wie 'Backpropagation lernt selbstständig'.
Fordern Sie die Schülerinnen und Schüler auf, die Lernschritte im Code zu markieren und die Kettenregel Schritt für Schritt zu erklären, indem Sie die Funktion 'update_weights()' gemeinsam durchgehen.
Während der Aktivität 'Datenqualität testen: Bias-Experiment' hören Sie Argumente wie 'Mehr Daten sind immer besser'.
Lassen Sie die Schülerinnen und Schüler die Fehlerkurve bei steigender Datenmenge skizzieren und gezielt nach Ausreißern fragen, die zu Overfitting führen. Nutzen Sie die Metapher 'Ein Netz, das nur auswendig lernt, wie ein Schüler die Vokabeln eines einzigen Tages'.
In dieser Übersicht verwendete Methoden