Informatik · Klasse 8 · Künstliche Intelligenz und Gesellschaft · 2. Halbjahr

Maschinelles Lernen: Muster erkennen

Die Schülerinnen und Schüler verstehen das Grundprinzip des maschinellen Lernens anhand von Beispielen zur Mustererkennung.

• KMK Bildungsstandards
• KMK: Sekundarstufe I - Informatiksysteme verstehen
• KMK: Sekundarstufe I - Darstellen und Interpretieren

Über dieses Thema

Das maschinelle Lernen basiert auf der Fähigkeit von Algorithmen, Muster in Daten zu erkennen, ohne explizite Programmierung. Schülerinnen und Schüler in Klasse 8 erkunden dies durch Beispiele wie die Erkennung von Handzeichen in Bildern oder Vorhersagen in Zahlenfolgen. Sie lernen, wie Trainingsdaten das Modell formen: Große Mengen qualitativ hochwertiger Daten verbessern die Genauigkeit, während fehlerhafte Daten zu ungenauen Ergebnissen führen.

Die Inhalte knüpfen an KMK-Standards für Sekundarstufe I an, insbesondere das Verständnis von Informatiksystemen und die Interpretation von Darstellungen. Schüler differenzieren überwachtes Lernen mit gelabelten Daten von unüberwachtem Lernen, das Strukturen ohne Vorgaben findet. Dies stärkt ihr analytisches Denken und sensibilisiert für gesellschaftliche Implikationen wie Bias in KI-Systemen.

Aktives Lernen passt hervorragend zu diesem Thema, weil abstrakte Prozesse durch Experimente konkret werden. Wenn Schüler eigene Datensätze erstellen, trainieren und testen, erleben sie direkt den Einfluss von Datenqualität und entwickeln ein tiefes Verständnis für Lernmechanismen.

Leitfragen

1. Erklären Sie, wie eine Maschine aus Daten lernen kann, ohne explizit programmiert zu werden.
2. Analysieren Sie die Bedeutung von Trainingsdaten für die Leistung eines KI-Modells.
3. Differentiieren Sie zwischen überwachtem und unüberwachtem Lernen.

Lernziele

• Klassifizieren Sie Beispiele für maschinelles Lernen in die Kategorien überwachtes und unüberwachtes Lernen.
• Erklären Sie den Einfluss der Größe und Qualität von Trainingsdaten auf die Genauigkeit eines Mustererkennungsmodells.
• Analysieren Sie die Schritte, die eine Maschine durchführt, um Muster in einem gegebenen Datensatz zu erkennen.
• Entwerfen Sie ein einfaches Szenario, das den Prozess der Mustererkennung durch maschinelles Lernen veranschaulicht.

Bevor es losgeht

Grundlagen der Datenverarbeitung und Datentypen

Warum: Schüler müssen verstehen, was Daten sind und wie sie strukturiert sein können, um die Rolle von Trainingsdaten im maschinellen Lernen zu erfassen.

Einführung in Algorithmen und Ablaufsteuerung

Warum: Ein grundlegendes Verständnis davon, wie Algorithmen Schritt für Schritt Anweisungen ausführen, ist notwendig, um zu verstehen, wie ein Algorithmus Muster 'lernt'.

Schlüsselvokabular

Maschinelles Lernen	Ein Teilbereich der künstlichen Intelligenz, der es Systemen ermöglicht, aus Daten zu lernen und sich zu verbessern, ohne explizit programmiert zu werden.
Trainingsdaten	Die Datenmenge, die verwendet wird, um ein Modell des maschinellen Lernens zu trainieren und ihm Muster beizubringen.
Mustererkennung	Der Prozess, bei dem Algorithmen wiederkehrende Strukturen oder Regelmäßigkeiten in Daten identifizieren.
Überwachtes Lernen	Eine Art des maschinellen Lernens, bei der das Modell mit gelabelten Daten trainiert wird, d.h. mit Eingaben und den dazugehörigen korrekten Ausgaben.
Unüberwachtes Lernen	Eine Art des maschinellen Lernens, bei der das Modell mit ungelabelten Daten trainiert wird und versucht, eigene Strukturen und Muster zu finden.

Vorsicht vor diesen Fehlvorstellungen

Häufige Fehlvorstellung

Maschinen lernen wie Menschen durch Beobachtung.

Was Sie stattdessen lehren sollten

Maschinen passen Parameter statistisch an Daten an, ohne Bewusstsein. Aktive Simulationen mit Karten-Sortierung zeigen Schülern den algorithmischen Prozess und helfen, anthropomorphe Vorstellungen abzubauen.

Häufige Fehlvorstellung

Mehr Daten bedeuten immer bessere Ergebnisse.

Was Sie stattdessen lehren sollten

Qualität zählt mehr als Quantität; redundante oder fehlerhafte Daten verschlechtern Modelle. Experimente mit variierenden Datensätzen lassen Schüler dies selbst entdecken und priorisieren saubere Daten.

Häufige Fehlvorstellung

Maschinelles Lernen braucht keine Programmierung.

Was Sie stattdessen lehren sollten

Algorithmen müssen implementiert werden, Lernen optimiert Parameter. Praktische Tools wie Teachable Machine verdeutlichen den Unterschied und fördern Diskussionen über zugrunde liegende Code-Strukturen.

Ideen für aktives Lernen

Tool-Exploration: Teachable Machine nutzen

Schüler öffnen Teachable Machine online und trainieren ein Modell zur Erkennung von Gesten mit Webcam-Bildern. Sie sammeln je 20 Bilder pro Klasse, testen das Modell und notieren Erfolgsraten. In der Reflexion diskutieren sie, warum zusätzliche Daten helfen.

45 Min.·Partnerarbeit

Gruppen-Simulation: Manuelles Mustertraining

Gruppen sortieren Karten mit Tierbildern in Trainings- und Teststapel. Sie erstellen Regeln basierend auf Merkmalen wie Fellfarbe, dann testen sie mit neuen Bildern. Abschließend vergleichen sie mit einem echten ML-Modell.

35 Min.·Kleingruppen

Daten-Challenge: Vorhersage aus Zahlen

Paare erhalten Tabellen mit Wetterdaten und prognostizieren Regenwahrscheinlichkeit. Sie experimentieren mit verschiedenen Trainingsdaten und messen Genauigkeit. Gemeinsam visualisieren sie Ergebnisse in einer Tabelle.

30 Min.·Partnerarbeit

Klassendiskussion: Bias-Detektion

Die Klasse betrachtet ein trainiertes Modell mit voreingenommenen Daten. Jeder testet es individuell, teilt Ergebnisse und diskutiert Anpassungen. Ziel ist die Erkennung von Ungenauigkeiten durch unbalancierte Daten.

40 Min.·Ganze Klasse

Bezüge zur Lebenswelt

• In der Medizin nutzen Radiologen Algorithmen des maschinellen Lernens, um Muster in Röntgenbildern oder MRT-Scans zu erkennen, die auf Krankheiten wie Krebs hinweisen könnten, was eine schnellere und genauere Diagnose ermöglicht.
• Online-Shopping-Plattformen wie Amazon verwenden maschinelles Lernen, um Kaufhistorien von Millionen von Kunden zu analysieren und personalisierte Produktempfehlungen basierend auf erkannten Mustern im Kaufverhalten zu generieren.
• Autonome Fahrzeuge verlassen sich auf maschinelles Lernen zur Mustererkennung, um Objekte wie andere Fahrzeuge, Fußgänger und Straßenschilder in Echtzeit zu identifizieren und darauf zu reagieren.

Ideen zur Lernstandserhebung

Lernstandskontrolle

Geben Sie den Schülern zwei kurze Datensätze (z.B. Wetterdaten mit Temperaturen und Niederschlagswerten, Bildbeschreibungen mit Labels). Bitten Sie sie, für jeden Datensatz zu entscheiden, ob er eher für überwachtes oder unüberwachtes Lernen geeignet ist, und begründen Sie ihre Wahl kurz.

Kurze Überprüfung

Zeigen Sie ein Bild von verschiedenen Tieren (z.B. Hunde, Katzen, Vögel). Fragen Sie die Schüler: 'Wenn wir dies als Trainingsdaten für ein KI-Modell verwenden würden, welche Art von Daten wären das (gelabelt oder ungelabelt)? Wie könnte ein Modell lernen, die Tiere zu unterscheiden?'

Diskussionsfrage

Stellen Sie die Frage: 'Stellen Sie sich vor, Sie trainieren ein KI-Modell, um Spam-E-Mails zu erkennen. Welche Art von Daten würden Sie benötigen und warum ist die Qualität dieser Daten entscheidend für die Leistung des Modells?' Leiten Sie eine kurze Klassendiskussion.

Häufig gestellte Fragen

Wie unterscheide ich überwachtes und unüberwachtes Lernen?

Überwachtes Lernen verwendet gelabelte Daten, um Eingaben zuzuordnen, z. B. Bilder als 'Katze' zu markieren. Unüberwachtes Lernen findet Muster ohne Labels, wie Gruppierungen in Kundendaten. Schüler üben dies mit Beispielen: Bei gelabelten Handzeichen trainieren sie Klassifikatoren, bei ungelabelten Punkten clustern sie Formen. Dies schult Interpretationsfähigkeiten nach KMK-Standards.

Wie wirkt sich die Qualität von Trainingsdaten auf KI aus?

Hochwertige, vielfältige Daten führen zu genauen Modellen, während Bias oder Lücken Vorhersagen verzerren. Schüler testen dies, indem sie Modelle mit unvollständigen Datensätzen trainieren und Fehlerraten messen. Solche Experimente zeigen, warum faire Daten entscheidend für ethische KI sind und verbinden Theorie mit Praxis.

Wie erkläre ich maschinelles Lernen ohne Programmierung?

Vergleichen Sie es mit einem Kind, das Früchte anhand von Beispielen sortiert: Aus Trainingsdaten lernt es Merkmale wie Farbe und Form. Schüler simulieren dies mit physischen Objekten, testen Regeln und iterieren. Dies macht den datengetriebenen Prozess greifbar und vermeidet technische Details.

Wie hilft aktives Lernen beim Verständnis von maschinellem Lernen?

Aktives Lernen macht abstrakte Konzepte erfahrbar, z. B. durch Erstellen eigener Datensätze in Tools wie Teachable Machine. Schüler beobachten, wie Datenqualität Genauigkeit beeinflusst, testen Hypothesen in Gruppen und reflektieren Bias. Diese Hände-auf-Methode fördert tiefes Verständnis, Systemdenken und behält Inhalte langfristig, passend zu KMK-Zielen.