Grundlagen des Maschinellen Lernens
Die Schülerinnen und Schüler lernen die Konzepte von überwachtem und unüberwachtem Lernen kennen und identifizieren Anwendungsbeispiele.
Über dieses Thema
Grundlagen des Maschinellen Lernens führen Schülerinnen und Schüler an die Kernkonzepte von überwachtem und unüberwachtem Lernen heran. Beim überwachten Lernen trainieren Algorithmen mit gelabelten Daten: Features sind die Eingabemerkmale wie Pixel in Bildern, Labels die korrekten Ausgaben wie 'Katze' oder 'Hund'. Unüberwachtes Lernen entdeckt Muster in ungelabelten Daten, etwa durch Gruppierung ähnlicher Datenpunkte in Clustern. Typische Anwendungen sind Spam-Filter (überwacht) oder Marktsegmentierung (unüberwacht). Schüler lernen, diese Lernformen zu differenzieren und ihre Rolle in der KI zu analysieren.
Im KMK-Lehrplan Sekundarstufe I verbindet das Thema Algorithmen mit Daten und Informationen. Es schult systemisches Denken, indem Schüler verstehen, wie Maschinen aus Daten generalisieren, und regt zur Diskussion gesellschaftlicher Auswirkungen an, wie Bias in Trainingsdaten. Die Key Questions fördern analytisches Vergleichen von Anwendungsfällen und das Erklären zentraler Begriffe.
Active Learning profitiert dieses Thema besonders, weil abstrakte Prozesse durch hands-on Simulationen greifbar werden. Wenn Schüler mit realen Datensätzen experimentieren oder Szenarien in Gruppen zuordnen, festigen sie Konzepte nachhaltig und entdecken Zusammenhänge selbstständig.
Leitfragen
- Differentiieren Sie zwischen überwachtem und unüberwachtem Lernen.
- Analysieren Sie typische Anwendungsfälle für beide Lernformen.
- Erklären Sie die Rolle von Features und Labels im maschinellen Lernen.
Lernziele
- Klassifizieren Sie Datensätze als gelabelt oder ungelabelt zur Vorbereitung auf überwachtes oder unüberwachtes Lernen.
- Analysieren Sie konkrete Anwendungsfälle, um zu bestimmen, ob überwachtes oder unüberwachtes Lernen am besten geeignet ist.
- Erklären Sie die Funktion von Features und Labels anhand eines Beispiels aus dem Bereich der Bilderkennung.
- Vergleichen Sie die Ziele und Methoden von überwachtem und unüberwachtem Lernen in Bezug auf die Datenaufbereitung und Ergebnisinterpretation.
Bevor es losgeht
Warum: Schüler müssen verstehen, was Daten sind und wie sie strukturiert werden können, um die Konzepte von Features und Labels zu begreifen.
Warum: Ein grundlegendes Verständnis von Algorithmen als schrittweisen Anleitungen ist notwendig, um zu verstehen, wie maschinelle Lernmodelle funktionieren.
Schlüsselvokabular
| Überwachtes Lernen | Ein Ansatz des maschinellen Lernens, bei dem ein Algorithmus mit einem Datensatz trainiert wird, der sowohl Eingabemerkmale (Features) als auch die gewünschten Ausgaben (Labels) enthält. |
| Unüberwachtes Lernen | Ein Ansatz des maschinellen Lernens, bei dem ein Algorithmus Muster und Strukturen in Daten entdeckt, die keine vordefinierten Labels haben. |
| Features | Messbare Eigenschaften oder Merkmale eines Datenpunkts, die als Eingabe für einen Lernalgorithmus dienen. |
| Labels | Die korrekten oder erwarteten Ausgaben, die einem Datenpunkt im überwachten Lernen zugeordnet sind und zur Steuerung des Trainingsprozesses verwendet werden. |
| Clusterbildung | Eine Technik des unüberwachten Lernens, die darauf abzielt, Datenpunkte in Gruppen (Cluster) zu organisieren, sodass Punkte innerhalb eines Clusters ähnlicher sind als Punkte in anderen Clustern. |
Vorsicht vor diesen Fehlvorstellungen
Häufige FehlvorstellungMaschinelles Lernen funktioniert genau wie menschliches Lernen.
Was Sie stattdessen lehren sollten
Algorithmen lernen statistisch aus Datenmustern, nicht durch Verständnis wie Menschen. Active Learning mit Datensimulations hilft, da Schüler Muster selbst entdecken und den mechanischen Charakter erleben.
Häufige FehlvorstellungÜberwachtes Lernen braucht immer riesige Datenmengen.
Was Sie stattdessen lehren sollten
Auch kleine Datensätze reichen bei einfachen Features, Qualität zählt mehr als Quantität. Gruppenanalysen von Mini-Datensätzen zeigen dies und korrigieren die Übertreibung.
Häufige FehlvorstellungFeatures sind immer Bilder oder Videos.
Was Sie stattdessen lehren sollten
Features können jede messbare Eigenschaft sein, z.B. Zahlen oder Text. Praktische Zuordnungsspiele machen vielfältige Beispiele greifbar und klären den Begriff.
Ideen für aktives Lernen
Alle Aktivitäten ansehenKarten-Sortierung: Überwacht vs. Unüberwacht
Teilen Sie Karten mit Anwendungsbeispielen aus (z.B. Bilderkennung, Clustering). Gruppen sortieren sie in zwei Kategorien und begründen ihre Entscheidung. Abschließend präsentieren sie und diskutieren Abgrenzungsfälle.
Feature-Label-Analyse: Hausaufgaben-Daten
Geben Sie Datensätze wie Hausaufgabennoten mit Features (Zeit, Schlaf) und Labels (Note). Paare identifizieren Features/Labels, prognostizieren Outcomes und vergleichen mit unüberwachten Mustern ohne Labels.
Clustering-Simulation: Farbpunkte gruppieren
Schüler plotten Punkte auf Papier (Features: x/y-Koordinaten), gruppieren visuell ohne Labels. Dann fügen sie Labels hinzu und vergleichen mit überwachtem Lernen. Diskussion der Unterschiede.
Anwendungs-Jagd: KI in Alltag
Whole Class brainstormt KI-Beispiele, ordnet sie zu Lernarten zu und notiert Features/Labels. Erstellen einer gemeinsamen Mindmap mit Beispielen.
Bezüge zur Lebenswelt
- Bei der Deutschen Bahn werden überwachte Lernmodelle eingesetzt, um Zugverspätungen vorherzusagen. Hierbei werden historische Daten über Fahrpläne, Wetterbedingungen und technische Störungen (Features) mit den tatsächlichen Verspätungszeiten (Labels) trainiert.
- Online-Shops wie Zalando nutzen unüberwachtes Lernen zur Kundensegmentierung. Sie analysieren das Kaufverhalten und die angesehenen Produkte (Features) von Kunden, um ähnliche Kundengruppen zu identifizieren und personalisierte Empfehlungen zu geben, ohne vorher zu wissen, welche Segmente existieren.
- Die Polizei in Großstädten experimentiert mit unüberwachtem Lernen, um Muster in Kriminalitätsdaten zu erkennen und potenzielle Hotspots zu identifizieren. Hierbei werden anonymisierte Daten über Delikte, Orte und Zeiten analysiert, um bisher unbekannte Zusammenhänge aufzudecken.
Ideen zur Lernstandserhebung
Geben Sie jedem Schüler eine Karte mit einem kurzen Szenario (z.B. 'Spam-Erkennung in E-Mails', 'Gruppierung von Kunden nach Kaufhistorie'). Die Schüler schreiben auf die Rückseite: Handelt es sich um überwachtes oder unüberwachtes Lernen? Nennen Sie ein mögliches Feature und ein Label (falls zutreffend).
Stellen Sie die Frage: 'Stellen Sie sich vor, Sie entwickeln ein System zur Erkennung von gefälschten Nachrichten. Welche Art von Daten würden Sie benötigen, um es mit überwachtem Lernen zu trainieren? Welche Herausforderungen gäbe es bei der Beschaffung dieser Daten?' Diskutieren Sie die Antworten im Plenum.
Zeigen Sie eine Liste von Begriffen (z.B. 'Bild eines Hundes', 'Temperaturmessung', 'Kunden-ID', 'Kaufdatum', 'Produktkategorie'). Bitten Sie die Schüler, die Begriffe als 'Feature' oder 'Label' zu klassifizieren und begründen Sie kurz ihre Wahl für mindestens drei Begriffe.
Häufig gestellte Fragen
Was ist der Unterschied zwischen überwachtem und unüberwachtem Lernen?
Welche typischen Anwendungen gibt es für maschinelles Lernen?
Wie wirken sich Features und Labels im maschinellen Lernen aus?
Wie hilft Active Learning beim Verständnis von maschinellem Lernen?
Planungsvorlagen für Informatik
Mehr in Künstliche Intelligenz und Maschinelles Lernen
Einführung in Künstliche Intelligenz
Die Schülerinnen und Schüler definieren KI und unterscheiden zwischen starker und schwacher KI sowie deren Anwendungsbereichen.
2 methodologies
Wie Maschinen lernen
Die Schülerinnen und Schüler unterscheiden zwischen klassischer Programmierung und lernenden Systemen anhand von Trainingsdaten.
2 methodologies
Neuronale Netze verstehen
Die Schülerinnen und Schüler erhalten eine vereinfachte Darstellung der Funktionsweise von Neuronen und Schichten in einem Netzwerk.
2 methodologies
Anwendungen von KI im Alltag
Die Schülerinnen und Schüler identifizieren und analysieren verschiedene KI-Anwendungen in ihrem Alltag (z.B. Sprachassistenten, Empfehlungssysteme).
2 methodologies
Ethik und Bias in der KI
Die Schülerinnen und Schüler untersuchen Vorurteile in Algorithmen und die Verantwortung beim Einsatz von KI.
3 methodologies
KI und Arbeitswelt
Die Schülerinnen und Schüler diskutieren die Auswirkungen von KI auf die Arbeitswelt und zukünftige Berufsfelder.
2 methodologies