Logo des Repositoriums
 

Maschinelles Lernen im Unterricht mit Jupyter Notebook

Kurzanzeige
dc.contributor.authorSchlichtig, Michael
dc.contributor.authorOpel, Simone
dc.contributor.authorSchulte, Carsten
dc.contributor.authorBiehler, Rolf
dc.contributor.authorFrischemeier, Daniel
dc.contributor.authorPodworny, Susanne
dc.contributor.authorWassong, Thomas
dc.contributor.editorPasternak, Arno
dc.date.accessioned2019-10-14T08:31:48Z
dc.date.available2019-10-14T08:31:48Z
dc.date.issued2019
dc.description.abstractData Science und Big Data durchdringt in ihren diversen Facetten unser tägliches Leben– kaum ein Tag, an dem nicht verschiedene Meldungen über technische Innovationen, Einsatzmöglichkeiten von Künstlicher Intelligenz (KI) und Maschinelles Lernen (ML) und ihre ethischen sowie gesellschaftlichen Implikationen in den unterschiedlichen Medien diskutiert werden. Aus diesem Grund erscheint es uns immens wichtig, diese Fragestellungen und Technologien auch in den Unterricht der Sekundarstufe II zu integrieren. Um diesem Anspruch gerecht zu werden, entwickelten wir im Rahmen eines Forschungsprojekts ein Curriculum, welches wir als konkretes Unterrichtskonzept innerhalb eines Projektkurses erprobt, evaluiert weiterentwickelt wird. Bei der Implementierung entschieden wir uns, zur aktiven Umsetzung von Konzepten von ML als Plattform Jupyter Notebook mit Python zu verwenden, da diese Umgebung durch die Verbindung von Code und Hypertext zur Dokumentation und Erklärung Medienbrüche im Lernprozess verringern kann. Zudem ist Python zur Implementierung der Methoden von ML sehr gut geeignet. Im Themenfeld des ML als Teilgebiet der KI legen wir den Fokus auf zwei unterschiedliche Lernverfahren um verschieden Aspekte von ML, u.A. wie Nachvollziehbarkeit unter gesellschaftlichen Gesichtspunkten zu vermitteln. Diese sind Künstliche Neuronale Netze (bei denen die Berechnung und Bedeutung der Kantengewichte zwischen den Neuronen für den Menschen insbesondere bei komplexeren Netzen kaum nachvollziehbar erschienen) und Entscheidungsbäume (strukturierte und gerichtete Bäume zur Darstellung von Entscheidungsregeln, welche auch für Schülerinnen und Schüler meist gut nachvollziehbares und verständliches KI-Modell darstellen). In diesem Workshop stellen wir konkrete Umsetzungsbeispiele inklusive der Programmierung für beide Verfahren mit Jupyter Notebook und Python als Teil einer Unterrichtssequenz vor und diskutieren diese.de
dc.identifier.doi10.18420/infos2019-f13
dc.identifier.isbn978-3-88579-682-4
dc.identifier.pissn1617-5468
dc.identifier.urihttps://dl.gi.de/handle/20.500.12116/28964
dc.language.isode
dc.publisherGesellschaft für Informatik
dc.relation.ispartofInformatik für alle
dc.relation.ispartofseriesLecture Notes in Informatics (LNI) - Proceedings, Volume P-288
dc.subjectData Science
dc.subjectMachine Learning
dc.subjectKI
dc.subjectKünstliche Neuronale Netze
dc.subjectEntscheidungsbäume
dc.subjectDecision Trees
dc.subjectBig Data
dc.subjectWorkshop
dc.subjectMaschinelles Lernen
dc.subjectArtificial Neural Networks
dc.subjectPython
dc.titleMaschinelles Lernen im Unterricht mit Jupyter Notebookde
gi.citation.publisherPlaceBonn
gi.citation.startPage385
gi.conference.date16.–18. September 2019
gi.conference.locationDortmund

Dateien

Originalbündel
1 - 1 von 1
Vorschaubild
Name:
f13.pdf
Größe:
190.63 KB
Format:
Adobe Portable Document Format
Herunterladen

Sammlungen

P288 - INFOS 2019 - 18. GI-Fachtagung Informatik und Schule - Informatik für alle