Maschinelles Lernen Unplugged - Ein Zugang über lineare Klassifizierer
| dc.contributor.author | Ossovski, Elisaweta | |
| dc.contributor.author | Hembrock, Laura | |
| dc.contributor.author | Köhl, Lukas | |
| dc.contributor.author | Brinkmeier, Michael | |
| dc.date.accessioned | 2020-06-15T13:25:44Z | |
| dc.date.available | 2020-06-15T13:25:44Z | |
| dc.date.issued | 2020 | |
| dc.description.abstract | 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. | de |
| dc.identifier.pissn | 0720-8642 | |
| dc.identifier.uri | https://dl.gi.de/handle/20.500.12116/33227 | |
| dc.language.iso | de | |
| dc.publisher | LOG IN Verlag | |
| dc.relation.ispartof | LOG IN: Vol. 40, No. 1 | |
| dc.title | Maschinelles Lernen Unplugged - Ein Zugang über lineare Klassifizierer | de |
| dc.type | Text/Journal Article | |
| gi.citation.endPage | 80 | |
| gi.citation.publisherPlace | Berlin | |
| gi.citation.startPage | 75 | |
| gi.conference.sessiontitle | Praxis & Methodik |