Fortbildungsveranstaltungen KI
Im Lehrplan der gymnasialen Oberstufe in Bayern findet sich ab dem Schuljahr 2023/2024 im Fach Informatik der neue Lernbereich „Künstliche Intelligenz“ (KI). Allerdings ist KI noch nicht verpflichtender Bestandteil der Lehrerbildung, sodass Informatiklehrkräfte bislang nicht zwangsläufig über entsprechende Fach- und Fachdidaktikkenntnisse verfügen.
Als Teil der Fortbildungsinitiative KI des Staatsministeriums für Unterricht und Kultus bietet die Didaktik der Informatik der Universität Passau Fortbildungsveranstaltungen an, um dieser Herausforderung zu begegnen. Im Rahmen der Fortbildungs-veranstaltungen "KI@Informatik11" (ab 01/2023) und "KI@Informatik13" (ab 2024) findet eine fachdidaktische Fundierung der im LehrplanPlus genannten Inhalte statt, es werden grundlegende Vorgehensweisen und Ideen herausgearbeitet sowie konkrete Unterrichtsmaterialien und -ansätze vorgestellt und diskutiert.
KI@Informatik11 - was, wozu, wie, womit unterrichten?
- Erläuterung von Begriffen
- Erarbeitung und Erprobung von Umsetzungen, Anwendungsaufgaben, Simulationen
- maschinelles Lernen mit Schwerpunkt überwachtes Lernen: Entscheidungsbaum, k-nächste Nachbarn
- künstliches Neuron (Perzeptron)
- Erläuterung von Kriterien zur fachlich fundierten Beurteilung der Chancen und Risiken des Einsatzes künstlicher Intelligenz anhand konkreter Beispiele aus dem Alltag
Schuljahr 2023/2024:
Wir planen in diesem Schuljahr weitere Termine der Fortbildung anzubieten. Momentan schätzen wir gerade den Bedarf ein und planen die Termine. Sobald diese feststehen, geben wir sie hier bekannt und pflegen die Veranstaltungen in FIBS ein.
Schuljahr 2022/2023:
M042-0/23/23_14: Mi, 25.01.23 und Do, 26.01.23
M042-0/23/23_17: Mi, 01.02.23 und Do, 02.02.23
M042-0/23/23_20: Mi, 01.03.23 und Do, 02.03.23
Der k-nächste-Nachbarn-Algorithmus
Zur Visualisierung und Simulation des maschinellen Lernprozesses am Beispiel des k-nächste-Nachbarn-Algorihmus wurden Tabellenkalkulationsmappen (speziell für Microsoft Excel und LibreOffice Calc) erstellt, welche es ermöglichen, einzelne Schritte im maschinellen Lernprozess (Klassifikation, Training, Bestimmung des Hyperparameters k, Testen, ...) zu simulieren und selbst auszuprobieren. Diese Mappen stehen in zwei Versionen mit unterschiedlichen Anwendungskontexten (Klassifikation von T-Shirtgrößen und Irisklassifikation) zur Verfügung.
Des Weiteren wurde eine weitere Tabellenkalkulationsmappe erstellt um eine weitere Anwendung des k-nächste-Nachbarn-Algorithmus, die Regression, zu demonstrieren. Hier wurde der Anwendungskontext Vorhersage eines Hauspreises in Abhängigkeit des Merkmals Fläche in m2 gewählt.
Die Tabellenkalkulationsmappen und das zugehörige Handbuch können Sie hier herunterladen:
- Tabellenkalkulationsmappen MS Ecxel: kNN MS Excel
- Tabellenkalkulationsmappen LibreOffice Calc: kNN LibreOffice Calc
- Handbuch: Handbuch Tabellenkalkulationsmappen kNN-Algorithmus
Die Tabellenkalkulationsmappen und das zugehörige Handbuch sind alternativ auch abrufbar unter GitHub-Repository k-nächste-Nachbarn-Algorithmus.
Der Entscheidungsbaum-Algorithmus
Der Entscheidungsbaum-Ersteller ENTER kann als Hilfsmittel bei der Umsetzung des Themas Entscheidungsbaum des LehrplanPLUS-Kapitels 11.4 Künstliche Intelligenz des bayerischen Lehrplans dienen. Er eignet sich sowohl um die Trainings- und Testphase des Algorithmus maschinellen Lernens durchzuführen, als auch um den Einfluss von Trainingsdaten und Hyperparametern auf die Zuverlässigkeit der Ergebnisse des Entscheidungsbaum-Algorithmus zu untersuchen.
Die Software bietet sowohl die Möglichkeit einen Entscheidungsbaum unter Verwendung verschiedener Split-Kriterien (u.a. Fehlklassifikationsrate, Gini-Impurity, ...) unter Einbezug verschiedener Hyperparameter zu erstellen und graphisch darzustellen, als auch die Güte des erstellten Baums anhand von Testdaten zu testen, die Ergebnisse in Form einer Konfusionsmatrix anzuzeigen und das Modell anhand des Gütemaßes Genauigkeit zu bewerten. Der ENTER ermöglicht außerdem die genauere Untersuchung eines erstellten Entscheidungsbaums, indem man sich die verwendeten (Teil-) Datensätze in den einzelnen Knoten, sowie die dort berechneten Informationsgewinne anzeigen lassen kann. Des Weiteren kann ein geladener Datensatz automatisch in Trainings- und Testdaten geteilt werden um den Einfluss verschiedener Trainingsdaten auf die Modellerstellung zu untersuchen.
Weitere Information zum Entscheidungsbaum-Ersteller finden Sie auf der Homepage des ENTERs (https://d3rfuch5.github.io/ENTER/index.html).
Den Entscheidgunsbaum-Ersteller ENTER und das zugehörige Handbuch können Sie auch hier herunterladen:
- Software ENTER: Entscheidungsbaum-Ersteller
- Handbuch : Handbuch Entscheidungsbaum-Ersteller
Die Software und das zugehörige Handbuch sind alternativ auch abrufbar unter GitHub-Repository Entscheidungsbaum-Ersteller.
Das Perzeptron und sein Lernalgorithmus
Für die didaktische Simulation des Perzeptrons, sowie des zugehörigen Lernprozesses wurde die Simulationssoftware Perzeptron-Simulator entwickelt. Die Software kann als Hilfsmittel bei der Umsetzung des Themas Perzeptron des LehrplanPLUS-Kapitels 11.4 Künstliche Intelligenz des bayerischen Lehrplans dienen. Sie eignet sich sowohl um die Funktionsweise, als auch den Lernalgorithmus zum Training des Perzeptrons zu simulieren.
Die Software bietet die Möglichkeit den Lernprozess eines Perzeptrons für zwei verschiedene Anwendungskontexte, die Lineare Klassifikation und die Lineare Regression zu simulieren. Neben einer schematischen Darstellung des Perzeptrons mit den jeweils aktuellen Parametern wird ein weiterer Fokus auf die graphische Darstellung der geometrischen Interpretation des Perzeptrons gelegt. Daneben werden auch noch weitere Ansichten, wie etwa zur geometrischen Visualisierung der Gewichtsanpassungen, zur Verfügung gestellt.
Den Perzeptron-Simulator und das zugehörige Handbuch können Sie hier herunterladen:
- Simulationssoftware: Perzeptron-Simulator
- Handbuch: Handbuch Perzeptron-Simulator
Die Software und das zugehörige Handbuch sind alternativ auch abrufbar unter GitHub-Repository Perzeptron-Simulator.
Diese Seite teilen
