Literaturnachweis - Detailanzeige
Autor/inn/en | Ossovski, Elisaweta; Hembrock, Laura; Köhl, Lukas; Brinkmeier, Michael |
---|---|
Titel | Maschinelles Lernen unplugged. Ein Zugang über lineare Klassifizierer. |
Quelle | In: Log in : informatische Bildung und Computer in der Schule, 38 (2020) 193/194, S. 75-80 |
Beigaben | Illustrationen |
Sprache | deutsch |
Dokumenttyp | gedruckt; Zeitschriftenaufsatz |
ISSN | 0720-8642 |
Schlagwörter | Lernfähigkeit; Künstliche Intelligenz; Datenverarbeitung; Informatik; Klassifikation; Künstliche Intelligenz; Mathematisches Modell; Datenanalyse; Lernfähigkeit; Sekundarstufe II; Unterrichtsbeispiel; Datenanalyse; Informatik; Mathematisches Modell; Workshop; Klassifikation; Datenverarbeitung |
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 geeignete 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 stellen die Autoren ein einfaches, von mathematischer Striktheit befreites Verfahren zum Training eines zweidimensionalen linearen Klassifizierers dar, das mit Schülerinnen und Schülern der Sekundarstufe II und unter Umständen bereits der Sekundarstufe I durchgeführt werden kann. Von mathematischer Seite sollten das zweidimensionale kartesische Koordinatensystem und der Begriff der linearen Funktion bzw. Geraden bekannt sein. (DIPF/Orig./ir). |
Erfasst von | DIPF | Leibniz-Institut für Bildungsforschung und Bildungsinformation, Frankfurt am Main |
Update | 2023/1 |