Logo des Repositoriums

LOG IN 40(1) - 2020

https://dl.gi.de/handle/20.500.12116/33222
Auflistung nach:

Auflistung LOG IN 40(1) - 2020 nach Erscheinungsdatum

Zu einem Punkt im Index springen:
1 - 10 von 25
  • Zeitschriftenartikel
    Menschheitsträume
    (LOG IN: Vol. 40, No. 1, 2020) Koerber, Bernhard
    In den letzten Jahren wurde eine Fülle neuer Ansätze zur Automatisierung wissensbasierter, künstlicher Intelligenz erarbeitet. Beschränkte sich die Entwicklung künstlicher Intelligenz in den Anfängen des Computereinsatzes nur auf das Sammeln von Daten und das Erstellen von Datenbanken, die als sogenannte Expertensysteme zum Einsatz kamen, so wurden mittlerweile neue Programmstrukturen ausgearbeitet und erprobt, mit denen die mehrschichtige Vernetzung von Hirnneuronen simuliert und dadurch eine selbsttätige Lernfähigkeit erreicht werden soll. Eigentlich verdient ein solches kognitives „Eigenleben“ erst jetzt den „Ehrentitel“ künstliche Intelligenz. Ein Überblick über die Geschichte soll im Folgenden die wesentlichen Meilensteine von den ersten Ideen bis heute aufzeigen.
  • Zeitschriftenartikel
    Künstliche-Intelligenz-Forschung - Zehn Innovationen aus Deutschland
    (LOG IN: Vol. 40, No. 1, 2020) Klusch, Matthias; Nagel, Frithjof; Timm, Ingo J.
    Die Geschichte der KI-Forschung in Deutschland ist lang, vielfältig und weitestgehend unbekannt. Jetzt haben 18 KI-Expertinnen und -Experten ein Blick in die Vergangenheit geworfen.
  • Zeitschriftenartikel
    Mit SNAP! Word Embeddings programmieren
    (LOG IN: Vol. 40, No. 1, 2020) Kahn, Ken; Lu, Yu; Zhang, Jingjing; Winters, Niall; Gao, Ming
    Word Embedding ist eine Technik des Natural Language Processing (NLP), das sich mit der maschinellen Verarbeitung natürlicher Sprache beschäftigt. Hierbei werden Wörter in einen vieldimensionalen Raum eingebettet. Diese Word Embeddings können beispielsweise zur Stimmungsanalyse, Eigennamenerkennung, in Empfehlungssystemen, zur Paraphrasierung, Textzusammenfassung, Fragenbeantwortung oder Übersetzung eingesetzt werden. Wir beschreiben eine SNAP!- Bibliothek, die 20000 Word Embeddings in 15 Sprachen enthält. Mit einem Block, der eine Liste von 300 Zahlen für jedes der bekannten Wörter anzeigt, kann man Programme erstellen, die nach ähnlichen Wörtern suchen, Wörter finden, die dem Durchschnitt anderer Wörter entsprechen, kulturelle Vorurteile erforschen und Analogieaufgaben lösen. Diese Programme können innerhalb einer Sprache arbeiten oder die Word Embedding-Räume verschiedener Sprachen einbeziehen, um grobe Übersetzungen zu erstellen.
  • Zeitschriftenartikel
    AI Unplugged - Künstliche Intelligenz ohne Computer unterrichten
    (LOG IN: Vol. 40, No. 1, 2020) Lindner, Annabel; Seegerer, Stefan
    Ein werkzeug- oder programmierbasierter Zugang zum Thema künstliche Intelligenz (KI) ist aufgrund der Komplexität des Themas oft erst für höhere Altersstufen mit entsprechender Vorerfahrung geeignet. Unplugged-Aktivitäten können hingegen als Einstieg in die Thematik verwendet werden und erleichtern sowohl Lehrkräften als auch Schülerinnen und Schülern den Zugang zum Thema KI. Im Folgenden werden fünf Aktivitäten vorgestellt, die sich „unplugged“ mit dem Thema KI auseinandersetzen und dabei verschiedene Technologien und Anwendungen des Feldes aufgreifen (unplugged, engl. = mit herausgezogenem Stecker, also ohne Computer). Alle AI Unplugged-Aktivitäten und die referenzierten Materialien sind unter Creative Commons Lizenz online abrufbar (vgl. AI Unplugged). Im Onlineangebot finden sich zudem weitere Materialien und Internetquellen zum Thema, die ebenfalls im Unterricht zum Einsatz kommen können.
  • Zeitschriftenartikel
    KI im Unterricht mit TensorFlow programmieren
    (LOG IN: Vol. 40, No. 1, 2020) Schindler, Alexander; Dietz, Alexander
    TensorFlow bietet als Programmierumgebung in der KI-Entwicklung einige Unterstützung. Wie die Vorteile dieser Bibliothek im unterrichtlichen Einsatz verwendet werden können, soll der folgende Beitrag zeigen. Nach einer kurzen Einführung in die Ideen des Lernens in künstlichen neuronalen Netzen (NN) wird die mögliche Umsetzung im Unterricht an zwei Beispielen gezeigt. Das erste Beispiel richtet sich eher an Schülerinnen und Schüler im Informatikunterricht der Sekundarstufe I, das zweite an diejenigen in der Sekundarstufe II. TensorFlow ist eine Open-Source-Bibliothek von Google. Die eigenständige Open-Source-Deep-Learning-Bibliothek Keras ist Teil von TensorFlow. Die Bibliothek enthält eine große Auswahl an Trainingsdaten, die für das Lernen von NN genutzt werden können. Es empfiehlt sich, den Lerngruppen eine entsprechend leistungsstarke IDE für PYTHON zur Verfügung zu stellen, wie sie z.B. mit Spyder in Anaconda zu finden ist.
  • Zeitschriftenartikel
    Neues von Quantencomputern
    (LOG IN: Vol. 40, No. 1, 2020) Koerber, Bernhard
  • Zeitschriftenartikel
    IT-Ethik in der Schule - Wie können die Gewissensbits eingesetzt werden?
    (LOG IN: Vol. 40, No. 1, 2020) Class, Christina B.; Kurz, Constanze; Weber-Wulff, Debora
  • Zeitschriftenartikel
    Kein Hexenwerk - Ideen des maschinellen Lernens in SNAP!
    (LOG IN: Vol. 40, No. 1, 2020) Michaeli, Tilman; Seegerer, Stefan; Jatzlau, Sven
    Im Serviceteil stehen Aufgaben, Lösungshinweise und JAVA-Implementierungen zur Verfügung, deren Verwendung wir ausdrücklich erlauben. Referenzen auf Aufgaben beziehen sich stets auf dieses Online-Material.
  • Zeitschriftenartikel
    Maschinelles Lernen Unplugged - Ein Zugang über lineare Klassifizierer
    (LOG IN: Vol. 40, No. 1, 2020) Ossovski, Elisaweta; Hembrock, Laura; Köhl, Lukas; Brinkmeier, Michael
    Der Umgang mit „unsicheren“ Daten ist eines der Hauptmerkmale von Methoden, die üblicherweise dem Feld der künstlichen Intelligenz zugeordnet werden. Dabei umfasst die „Unsicherheit“ sowohl Dynamik und Fehler als auch Widersprüche in den Daten, die in der Regel nicht oder nur sehr schwer analytisch zu erfassen sind. Daher versucht man in vielen Fällen geeig- nete mathematische Modelle mithilfe vorliegender Daten so zu trainieren, dass diese Unsicherheiten handhabbar werden. Dadurch wird die Mathematik hinter den Verfahren häufig aber so komplex, dass sie sich nur mit großem Aufwand und Vorwissen vermitteln lässt. In diesem Beitrag möchten wir ein einfaches, von mathematischer Striktheit befreites Verfahren zum Training eines zweidimensionalen linearen Klassifizierers darstellen, das mit Schülerinnen und Schülern der Sekundarstufe II und unter Umständen bereits der Sekundarstufe I durchgeführt werden kann. Von mathematischer Seite sollten das zweidimensionale kartesi- sche Koordinatensystem und der Begriff der linearen Funktion bzw. Geraden bekannt sein.
  • Zeitschriftenartikel
    Hinweise auf Bücher
    (LOG IN: Vol. 40, No. 1, 2020)