Logo des Repositoriums

Auflistung nach Autor:in "Kerber, Lennard"

1 - 2 von 2
  • Konferenzbeitrag
    Agiler Informatikunterricht als Anfangsunterricht
    (Informatik allgemeinbildend begreifen, 2015) Kerber, Lennard; Kastl, Petra; Romeike, Ralf
    Agile Methoden unterstützen die Organisation und Durchführung von Softwareentwicklungsprojekten und finden inzwischen breite Anwendung im professionellen Bereich. Auch für die Schule sind sie vielversprechend. In diesem Bericht wird beschrieben, wie mit Hilfe adaptierter agiler Methoden Anfangsunterricht in der Programmierung methodisch neu in Form eines \?geskripteten Projekts“ gestaltet werden kann. In einer ausgearbeiteten Unterrichtssequenz lernen die SchülerInnen selbstreguliert mit dafür erstelltem Material und wenden neu erworbene Wissensbausteine jeweils bei der schrittweisen Weiterentwicklung eines Geschicklichkeitsspiels an. Agile Methoden unterstützen die SchülerInnen dabei unmittelbar und sinnvoll in ihrem Lernund Ar- beitsprozess. Gleichzeitig erwerben die SchülerInnen durch das Einbinden agiler Methoden in die Unterrichtssequenz indirekt bereits eine Methodenkompetenz, die sie in späteren Projekten benötigen. Es werden insbesondere die Anpassungen der agilen Vorgehensweise an den Kontext eines \?geskripteten Projekts“ und eigene Ergänzungen sowie Beobachtungen und Erfahrungen beschrieben.
  • Zeitschriftenartikel
    AI Replugged - Das Gute-Äffchen-Böse-Äffchen-Spiel mit Orange 3
    (LOG IN: Vol. 41, No. 1, 2021) Kerber, Lennard
    Themen zum maschinellen Lernen und zu Big Data eignen sich zu einer gemeinsamen Behandlung in einer Einheit: Bei der Big-Data-Analyse spielen KI-Algorithmen eine zentrale Rolle. In der im Folgenden vorgestellten Unterrichtsreihe waren beide Teile unterrichtlich gleichgewichtig; in diesem Beitrag liegt der Schwerpunkt auf der Einführung des überwachten Lernens mit Entscheidungsbäumen. Dafür wird die bekannte AI-Unplugged-Aktivität Gute-Äffchen-Böse-Äffchen unter Nutzung des Werkzeugs Orange 3 wieder in die digitale Form überführt, mit dem Ziel die Abläufe, Möglichkeiten und Grenzen von Datenanalysen an diesem Beispiel zu verdeutlichen. Es entstehen dabei drei verschiedene Entscheidungsbäume zur Lösung des Problems: eine manuell erzeugte unplugged-Variante und, vom Orange-Werkzeug erzeugt, ein beliebig verzweigender Entscheidungsbaum und ein binärer Entscheidungsbaum. Auf diesen exemplarischen Grundlagen werden typische Aussagen über maschinelles Lernen plausibilisiert.