2.3.3 Grundlegende Konzepte der künstlichen Intelligenz erklären
Unterrichtsmaterial zum Lernziel: Die Maturandinnen und Maturanden können grundlegende Konzepte der künstlichen Intelligenz erklären.
⚠ Neu versucht die KI ungefähr das Niveau zu ermitteln. Bitte helfen Sie, indem Sie die Gewichtung der Kriterien mitbewerten! Generelles Feedback gern an marc@eduskript.org.
Informatik-Biber 2025 – Aufgaben und Lösungen für die Stufen 7/8
Offizielles Aufgabenheft des Schweizer Informatik-Wettbewerbs (Bebras) für die Schuljahre 7/8 mit 18 Knobelaufgaben zu informatischen Themen wie Sortiernetzwerken, Entscheidungsbäumen, boolescher Logik, Suchverfahren und Algorithmen. Jede Aufgabe enthält eine ausführliche Musterlösung sowie einen Abschnitt «Dies ist Informatik!», der die dahinterliegenden Konzepte anschaulich einordnet, inklusive Stichwörtern und Weblinks.
Arbeitsheft Informatik Sekundarstufe I mit dem Calliope mini (inf-schule)
Umfangreiches Arbeitsheft für die Sekundarstufe I, das mit dem Mikrocontroller Calliope mini spielerisch Grundlagen der Informatik erschliesst: erstes Programmieren mit MakeCode, Algorithmen und Kontrollstrukturen, EVA-Prinzip, Binärdarstellung, Internet und Netzwerke, Datenschutz und Verschlüsselung sowie erste KI-Erfahrungen. Die Kapitel verbinden Erarbeitungsphasen, Unplugged-Aktivitäten und viele praktische Programmieraufgaben an realer Hardware.
Neuronale Netze mit dem Zündholzschachtel-Computer (MENACE/NIM-Werkstatt)
Eine vollständig ausgearbeitete Werkstatt (7 Posten, 4 Lektionen, 9.–10. Klasse), in der Lernende mit physischen Zündholzschachtel-Computern deterministische Gewinnstrategien, nichtdeterministische Algorithmen und das Training eines künstlichen neuronalen Netzes spielerisch erkunden. Enthält Musterlösungen, Bauanleitung, Trainingsprotokoll und Pseudocode-Entwurfsaufgaben. Sehr lebendig und didaktisch rund — Richtung Tic Tacs essen als Bestrafung, MENACE-Simulation online, Abschlussaufgabe zum eigenen NN-Algorithmus.
Data Mining – Die Suche nach wertvollen Informationen im Daten-Nirvana
Umfassende Unterrichtseinheit zu Data Mining für die Informatik: von Big Data und Datenrepräsentation über Kreuztabellen, 1R, Naïve Bayes, Entscheidungsbäume, Clustering und Assoziationsanalyse bis zum Datenschutz. Mit durchdachten Beispielen (Wetter-Problem, Spam-Erkennung, US-Census), Aufgaben inkl. Lösungen und praktischer Anwendung in Weka. Didaktisch anspruchsvoll und sorgfältig aufgebaut, inkl. statistischer Grundlagen wie Entropie und Bayes-Theorem.
Perzeptro - Ein Kartenspiel für lernende künstliche Neuronen
Ein unplugged-Kartenspiel, mit dem Schüler:innen die Funktionsweise eines künstlichen Neurons (Eingänge, Gewichte, Schwellenwert) und einfache Lernregeln spielerisch nachbauen. Enthält vollständige Spielregeln für mehrere Spielmodi sowie eine Druckvorlage mit allen Karten und Trainingskarten für logische Gatter. Dadurch werden Grundlagen neuronaler Netze konkret erfahrbar, bevor sie formal eingeführt werden.
Data-Mining – Die Suche nach wertvollen Informationen im Daten-Nirvana
Umfassende Unterrichtseinheit zum Data Mining: von Big Data und Kreuztabellen über Klassifikationsverfahren (1R, Naïve Bayes, Entscheidungsbäume mit Entropie und Informationsgewinn) bis zu Cluster-Analyse, Assoziations-Analyse und Datenschutz in Big Data. Mit realen Datensätzen, zahlreichen Aufgaben inklusive Lösungen und praktischer Anwendung des Werkzeugs Weka.
Inhaltsbasiertes Empfehlungssystem mit KNN-Klassifikation
Ein Arbeitsblatt, in dem Schüler:innen Schritt für Schritt ein inhaltsbasiertes Empfehlungssystem für Filme aufbauen: Sie fertigen Punktdiagramme an, wenden die Nächste-Nachbar-Klassifikation an und erweitern das Modell schrittweise (feinere Klassen, drittes Attribut in GeoGebra 3D, Genre-Vektoren). Filme und Bewertungen sorgen für echten Weltbezug; die Progression von 2D über 3D zu tabellarischen Daten ist didaktisch sauber aufgebaut.
Gruppenunterricht zum Thema Spieltheorie (Puzzle-Methode)
Ausgereiftes Unterrichtspaket (1999, harmoS-Vorläufer) zur Spieltheorie: Spielbaum, Minimax, Alpha-Beta-Pruning, Heuristik, kombinatorische Explosion und maschinelles Lernen, aufbereitet in der Puzzle-Methode mit Expertenrunden. Enthält anschauliche Erklärungen mit Beispielen (Vier Gewinnt, Deep Blue vs. Kasparov), Verständnis-Tests und Lernkontrollen mit Lösungen. Didaktisch durchdacht und lebendig, aber ohne aktive Programmier- oder Werkzeuganteile.
Gruppenunterricht zum Thema Spieltheorie (Minimax, α-β-Pruning, Heuristik, Computerlernen)
Umfangreiches Unterrichtspaket zur Spieltheorie mit Puzzle-Methode: Schüler:innen werden zu Expert:innen für α-β-Pruning, Grenzen des Minimax-Algorithmus, Heuristik bzw. wissensbasierte Systeme und unterrichten sich gegenseitig. Enthält anschauliche Einführung (Spielbaum, MAX/MIN), Verständnistests mit Lösungen und einen aktuellen Bezug zum Deep-Blue-Sieg über Kasparov.
Projekt: Empfehlungssysteme
Ein Data-Science-Projekt, in dem Schüler:innen ein eigenes Film-Empfehlungssystem nach dem CRISP-DM-Prozessmodell entwickeln. Ausgangspunkt ist die Alltagswelt der Lernenden (Netflix & Co.), und das Projekt schliesst mit einer Reflexion über Filterblasen. Der Text selbst ist die Projekt-Einleitung bzw. Übersicht, nicht das vollständige Material.
Introduction to Machine Learning: Image Classification (MIT App Inventor)
Eine zweistündige Unterrichtseinheit (2×45 Min.) von MIT App Inventor, in der Lernende Grundlagen des maschinellen Lernens kennenlernen und eine eigene Bildklassifikations-App erstellen. Sie experimentieren zunächst mit Teachable Machine, programmieren dann mit der Look-Extension eine App, die mit dem Handy Fotos klassifiziert und Konfidenzwerte liefert. Umfangreiche Zusatzmaterialien (Slides, Lehrpersonen-Leitfaden, Tutorials) sind enthalten.
Künstliche Intelligenz: Maschinelles Lernen, neuronale Netze und ChatGPT verstehen
Umfassendes Unterrichtsmaterial zu Künstlicher Intelligenz und Maschinellem Lernen: von GOFAI über Neuronale Netze bis zu ChatGPT/LLMs, mit Alltagsanalogien, mehreren interaktiven Experimenten (SoekiaGPT, Teachable Machine, Netz-Visualisierungen), einer Ethik-Recherche-Aufgabe und ergänzenden Folien sowie einem vertiefenden Essay. intuition vor Formalismus, aber die Aufgaben liefern keine Lösungen.
Spamfilter mit Bayes: Validierung, Testdaten und die Frage nach den Halluzinationen
Arbeitsblatt zur Validierung eines im Tabellenprogramm (vermutlich Excel/Sheets) gebauten Naive-Bayes-Spamfilters mit echten, von der Klasse selbst verfassten Nachrichten. Die Schüler:innen berechnen Wort- und A-priori-Wahrscheinlichkeiten von Hand als Brüche, klassifizieren Testnachrichten, messen die Genauigkeit und untersuchen, wie ein Labelling-Fehler die Resultate verfälscht. Abschliessend wird gefragt, warum KI halluziniert – mit klarem Fazit zu Datenqualität und fehlendem Inhaltsverständnis.
Grundlagen neuronaler Netze – vom natürlichen zum künstlichen Neuron
Das Material erklärt anschaulich den Aufbau biologischer Neuronen und überführt diese Idee Schritt für Schritt in ein mathematisches Modell (künstliches Neuron mit Gewichten, Aktivierung und Schwellenwert). Eine Wahrheitstabelle illustriert das Verhalten bei binären Eingängen. Es ist didaktisch sauber aufgebaut (Biologie → Modell → Formel), enthält jedoch noch keine Übungen, Aufgaben oder interaktiven Elemente.
KI Nim Spiel – interaktives Lernspiel zur Künstlichen Intelligenz
Interaktives Werkzeug zum Nim-Spiel, in dem Schüler:innen Schritt für Schritt vom Mensch-gegen-Mensch-Spiel über einen dummen Computer bis zur lernenden KI gelangen und automatisiertes Lernen anhand einer Strategietabelle erkunden. Die Lernstrecke ist klar didaktisch aufgebaut, enthält jedoch kaum erklärenden Text, keine Aufgaben mit Lösungen und dokumentiert vorwiegend Konfigurationsoptionen.
Neuronale Netze programmieren (II): Backpropagation
Kursmaterial zur zweiten Hälfte eines TALIT-Kurses: Es leitet das Training eines neuronalen Netzes per Backpropagation her — von Ableitungen, Kettenregel und Gradientenabstieg über die Cost Function bis zur Matrix-Notation der Gewichts-Updates. Ein durchgerechnetes Toy-Problem zeigt jeden Schritt mit konkreten Zahlen, danach erweitern die Schüler:innen ihre Python-OOP-Implementierung um eine train-Methode und trainieren Netze auf Toy- und MNIST-Daten inklusive Wettbewerb um die beste Erfolgsquote.
Convolutional Network – Interaktive Visualisierung
Ein interaktives Werkzeug von Adam Harley (Stanford), das die Struktur und Funktionsweise eines Convolutional Neural Network als Node-Link-Visualisierung darstellt. Lernende können die Aktivierungen der einzelnen Schichten (Convolution, Pooling, Fully Connected) bei der Klassifikation von Handwritten Digits erkunden. Es handelt sich um reines Werkzeug ohne erklärenden Text oder Aufgaben.
Eigene Sprachmodelle mit Soekia
Eine Schritt-für-Schritt-Anleitung zum Online-Tool Soekia der PH Schwyz, mit dem Lernende selbst einfache N-Gramm-Sprachmodelle trainieren und Textgenerierung ausprobieren. Parameter wie N-Gramm-Länge und Temperatur können variiert werden; dazu kommen konkrete Testaufgaben und Projektideen für Kleingruppen.
Lernen im Schnelldurchlauf – Verstärkendes Lernen simulieren
Interaktive Simulation, in der eine lernende KI gegen eine Zufalls-KI das Nim-Spiel (Streichholzspiel) in schnellen Durchläufen spielt und eine Zugtabelle erlernt. Begleitende Aufgaben lenken die Beobachtung auf Grenzen des Lernens, Generalisierung auf neue Spielsituationen und den Vorteil des ersten Zugs.
Künstliche neuronale Netzwerke: Von den Schichten zum Training
Anschauliche Einführung in neuronale Netzwerke: vom einzelnen Neuron über Eingabe-/versteckte/Ausgabeschichten bis zum Trainingsprozess (Beispiele zeigen, Fehler berechnen, Gewichte anpassen). Mit Alltagsbezug (Katzen-/Hunderkennung), Vergleich Gehirn vs. künstliches Netz sowie kleinen Aufgaben und Quiz. Die Lösungen sind hinter einem Login versteckt und im Text nicht verfügbar.
Big Data – Chancen, Risiken und Predictive Policing
Ausführlicher, gut lesbarer Grundlagentext zu Big Data mit den fünf Vs, anschaulichen Zahlenbeispielen und einer kritischen Diskussion gesellschaftlicher Auswirkungen am durchgängigen Beispiel Predictive Policing (inkl. Base-Rate-Überlegung zum «Franz»-Beispiel). Der Anhang enthält Foliensätze mit einer provokanten Gestaltungsaufgabe (eigene Big-Data-Projekte, u.a. Matur-Eignungsprognose) und deren kritischer Reflexion.
Fehlende Erfahrung: Ein lernendes System macht Fehler
Interaktives Material zu einem trainierten Emoji-Erkennungssystem, das systematische Fehler macht (z.B. fröhliches Gesicht auf dem Kopf als traurig erkannt). Die Lernenden stellen Vermutungen an, testen das System mit eigenen Zeichnungen und diskutieren, warum maschinelles Lernen auf echte «Erfahrung» angewiesen ist. Anschaulicher, handlungsorientierter Zugang zu Grundkonzepten der KI ohne Formalismus.
Entscheidungsbäume – Interaktive Werkzeuge zum maschinellen Lernen mit Lebensmitteldaten
Ein Satz von interaktiven Web-Werkzeugen (HTML/JS-Module), mit denen Schüler:innen Entscheidungsbäume selbst erkunden: Lebensmittel werden anhand Nährwertattributen initial gelabelt, Schwellenwerte für Splits werden in mehreren Stufen gesucht und der fertige Entscheidungsbaum wird getestet. Reale, alltagsnahe Daten (Apfel, Chips, Pommes etc.) machen maschinelles Lernen konkret erlebbar.
Fachkonzept: Verzögerte Belohnung (Q-Learning)
Der Abschnitt erklärt im Rahmen eines Q-Learning-Kurses, warum Lernregeln allein mit unmittelbarer Belohnung scheitern und wie zukünftige Belohnungen über Q-Werte der Folgesituation mit Diskontierungsfaktor Gamma einbezogen werden. Dies wird an einem Spielbeispiel ('Buch nehmen' vs. 'Weglaufen') und einem Alltagsbeispiel (Lernen vs. Kino vor der Klassenarbeit) anschaulich begründet und programmatisch skizziert.
Künstliches Neuron zu gegebener Trennlinie bestimmen
Interaktives Arbeitsmaterial, das Schritt für Schritt zeigt, wie man aus einer linearen Trennlinie die Gewichte und den Schwellenwert eines künstlichen Neurons bestimmt. Die Aufgaben führen von der Geradengleichung über Halbebenen-Ungleichungen zur Neuronenform, mit automatischer Kontrolle („Häkchen“-Eingabefelder) und einer Umkehraufgabe für Fortgeschrittene. Mathematisch anschlussfähig und mit unmittelbarem Selbcheck gut für den eigenständigen Einstieg in neuronale Netze.
Neurales Netz visuell: eigene Zahl schreiben und erkennen
Ein interaktives Web-Tool, das die Erkennung handgeschriebener Ziffern durch ein neuronales Netz (MNIST) Schicht für Schicht visualisiert. Nutzer:innen zeichnen eine Zahl und beobachten live, wie Aktivierungen durch Convolution- und Fully-connected-Layer bis zur Ausgabe fliessen.
Übungen – Lernende Neuronen (Perzeptron)
Übungsblatt zum Perzeptron: Schüler:innen wenden die allgemeine Lernregel Schritt für Schritt an, begründen das Verhalten des Trainings und automatisieren die Berechnung in einer Tabellenkalkulation bzw. einem Python-Programm mit gegebenem Klassengerüst. Daneben stehen Transferaufgaben zur linearen Separierbarkeit und zum Vergleich zweier Lernregeln. Das interaktive Neuron (Daten „in das Neuron laden“) macht den Zugang anschaulich.
Texterzeugung mit Papier und Bleistift — Markov-artiges Schreiben als Einstieg in KI
Ein unplugged-Klassenzimmerexperiment, bei dem Schüler:innen reihum Wörter ergänzen, wobei jeweils nur die letzten 2–4 Wörter sichtbar sind. So erleben sie anschaulich, wie statistische Textgenerierung funktioniert, bevor KI-Textgenerierung thematisiert wird. Alternativ gibt es ein ARD-Video mit Verständnisfragen.
Big Data und KI: Lektüreprojekt mit Gruppenvortrag zu «Hello World» von Hannah Fry
Ein Projektauftrag, bei dem Schüler:innen in Gruppen anhand von Hannah Frys Buch «Hello World» das Thema Big Data und künstliche Intelligenz erarbeiten und einen gemeinsamen Vortrag halten. Der Ablauf ist klar strukturiert: Themenwahl, Lektüre, Gruppendiskussion mit Protokoll, Folien und Präsentation, inklusive transparenter Bewertungskriterien und Lernzielen. Ein Spezialthema zu ChatGPT mit Leitfragen (u.a. Turing-Test) ist als Alternative angeboten.
Künstliches Neuron: Gewichte und Schwellenwerte selbst anpassen
Zwei interaktive Aufgaben, in denen Lernende bei einem künstlichen Neuron Gewichte und Schwellenwerte so anpassen, dass es korrekt feuert bzw. nicht feuert. Anschauliche Bilder (Hürdenläuferin, Zaun) machen die beiden Anpassungsstrategien intuitiv, bevor systematisch gewichtet und geschwellt wird. Einstiegsmaterial zur Funktionsweise künstlicher Neuronen, selbstständiges Lernen wird ausdrücklich später behandelt.
Überwachtes Lernen mit Neuronalen Netzen (ohne numpy)
Das Kapitel erklärt anschaulich, wie künstliche Nervenzellen modelliert und zu Netzen zusammengesetzt werden, die Mustererkennung durch überwachtes Lernen erlernen. Bewusst wird ohne Bibliotheken wie numpy gearbeitet und die Mathematik auf Addition und Multiplikation reduziert, damit die Grundidee im reinen Python-Code nachvollziehbar bleibt.
Künstliche Intelligenz – Unterrichtsmaterialien ( Erkunden, Maschinelles Lernen mit Python, KI und Gesellschaft)
Ein umfangreiches, im Aufbau befindliches Online-Lehrwerk zur Künstlichen Intelligenz: von Grundbegriffen und Geschichte über Neuronale Netze und Verstärkendes Lernen bis hin zu Data Science mit Python und gesellschaftlichen Aspekten. Es kombiniert Erkundungen, Lernstrecken, Übungen, Jupyter-Notebooks und Projekte (z.B. Empfehlungssysteme, NIM-Spiel).
K-Nächste-Nachbar-Klassifikation: Wahl der Attribute
Arbeitsblatt zur Attributwahl beim KNN-Klassifikator am Beispiel von Zugverspätungen mit Punktdiagrammen und Datentabelle. Die mehrstufigen Aufgaben führen von der Anwendung zur kritischen Reflexion der Datengrundlage, enthalten aber keine Lösungen.
KI erkunden – Interaktives Lernmodul zu Künstlicher Intelligenz
Umfangreiches, interaktiv aufgebautes Lernmodul (im Stil von inf-schule) mit Lernstrecken von den Grundbegriffen über künstliche Neuronen, Perzeptron und Q-Learning bis zu neuronalen Netzen, MNIST-Ziffernerkennung und Empfehlungssystem-Projekten mit Jupyter/Pandas. Typischer Aufbau mit Erkundung, Fachkonzept, Übungen und Lernchecks; auch gesellschaftliche Aspekte werden behandelt. Der sichtbare Text ist überwiegend Struktur/Navigation, deutet aber klar auf ein ausgefeiltes interaktives Lernwerkzeug mit spielerischen Elementen (NIM-Spiel), unplugged-Aufgaben und Python-Notebooks hin.
Fröhlich oder traurig? – Ein einfaches lernendes System
Ein interaktives Werkzeug, mit dem Schüler:innen ein Gesicht zeichnen und ein einfaches System erkennt, ob es fröhlich oder traurig ist. Anschaulich werden zentrale Konzepte des maschinellen Lernens eingeführt: Kategorien, Training mit wenigen Beispielen, Erfahrungsschatz und Wahrscheinlichkeit. Die Aufgabe fordert auf, durch Ausprobieren zu untersuchen, wie das System seine Zuordnungen trifft.
Wie Agentic Coding funktioniert: Modelle, Tokens, Kontextfenster und die Agenten-Schleife
Ein gut verständlicher Einführungstext erklärt die zentralen Konzepte des Arbeitens mit KI-Coding-Agenten: Modelle und ihre Unterschiede, Tokens als Abrechnungseinheit, das Kontextfenster, gute Prompts, die Agenten-Schleife sowie Halluzinationen und Datenschutz. Der Text ist lebendig geschrieben und nutzt gelungene Alltagsanalogien, enthält aber keine Aufgaben oder Übungen.
Erkundung: Was ist Künstliche Intelligenz?
Ein Einstiegs-Arbeitsblatt, das Lernende über eigene Vorannahmen und Produktbeispiele an den KI-Begriff heranführt. Kern ist die kritische Anwendung einer Definitionsformel ('löst Probleme, für die ein Mensch Intelligenz braucht') auf acht konkrete technische Systeme und deren gemeinsame Bewertung. Der KI-Begriff wird als vielfältig und schwer fassbar erkundet.
Die KI programmieren – eine lernende KI für das NIM-Spiel
Aufgabenblatt zu einem Python-NIM-Spiel, in dem Schüler:innen eine lernende KI-Spieler-Klasse als Ableitung einer vorhandenen Spieler-Klasse implementieren. Enthält mehrere aufbauende Aufgaben (Code verstehen, Klasse ergänzen, Training KI gegen KI) ohne Lösungen oder weitere Erklärtexte.
Ein konkretes Sprachmodell im Praxistest (mit Häufigkeiten)
Interaktives Lernmodul, in dem Schüler:innen ein einfaches Trigramm-Sprachmodell ausprobieren, das mit Häufigkeiten gewichtete Wortfolgen erzeugt. Sechs geführte Aufgaben führen von Beobachtungen über Bewertungen der KI-Antworten bis zum gezielten Manipulieren des Trainingstexts. Eine kurze Erklärung zum Schluss klärt die Rolle von Häufigkeiten und Zufall bei der Wortauswahl.
Verstärkendes Lernen bei anderen Spielformen (NIM, Bauernschach, Go)
Diese Unterseite einer Unterrichtseinheit zum verstärkenden Lernen lädt Schüler:innen ein, das gelernte Konzept auf neue Spielformen zu übertragen: NIM mit mehreren Reihen, Bauernschach (3x3) und eigene Strategiespiele. Kern sind offene Transferaufgaben wie das Entwerfen von Zugtabellen und die Reflexion von Spielzuständen, ergänzt um eine Recherche zu AlphaGo Zero.
GPT vs. ChatGPT – Der Unterschied zwischen Sprachmodell und KI-Assistent
Anschauliches Unterrichtskapitel, das den Unterschied zwischen einem Sprachmodell (GPT) und einer KI-Anwendung (ChatGPT) mit ASCII-Diagrammen, Alltagsbeispielen und Merksätzen erklärt. Behandelt Werkzeugnutzung, Kontext vs. Erinnerung, Rechenfehler und Sicherheitsmechanismen. Abschluss mit zwei kurzen Aufgaben (Multiple-Choice und Quiz), deren Lösungen hinter einer Anmeldung verborgen sind.
Von Neuronen zu Sprachmodellen: Deep Learning, Tokens und Attention
Kapitel eines Online-Kursmaterials, das anschaulich und Schritt für Schritt erklärt, wie neuronale Netze zu Sprachmodellen werden: Deep Learning, Tokens, LLMs, Attention und Kontextfenster. Mit einer Denkaufgabe zur Parametergrösse (inkl. Lösung) und einer Zusatzaufgabe zum Rechenaufwand (Training vs. Inferenz, FLOPS).
Agentic Coding verstehen: Modelle, Tokens, Kontextfenster und der Agent-Loop
Ein gut geschriebener Einführungstext (auf Griechisch) zu den Grundkonzepten des Arbeitens mit KI-Coding-Agenten: LLM-Modelle, Tokens, Kontextfenster, Prompts, der Agent-Loop, Halluzinationen und Datenschutz. Erklärt anschaulich mit Alltagsanalogien (Auto/Kupplung, Kollege um Hilfe bitten), aber ohne Übungen, Beispiele zum Selbstprobieren oder Lösungen.
Grundkonzepte des Agentic Coding: Modelle, Tokens, Kontext und der Agenten-Loop
Ein gut geschriebener Einführungstext, der die Funktionsweise von KI-Coding-Agenten (LLM, Tokens, Kontextfenster, Prompts, Agenten-Loop, Halluzinationen, Datenschutz) anschaulich mit Alltagsanalogien erklärt. Der Text ist didaktisch klug aufgebaut (Intuition vor Detail), verzichtet aber vollständig auf Übungen oder praktische Aufgaben mit Lösungen und verweist stattdessen auf weiterführende Materialien ausserhalb des Textes.
Mensch KI !?
Reflexionsmaterial zum verantwortungsvollen Umgang mit textgenerierenden KI-Systemen: Schüler:innen diskutieren den Einsatz von KI bei Hausaufgaben und hinterfragen die Vermenschlichung von KI. Es verbindet Alltagserfahrungen mit dem Kernkonzept der Wortwahrscheinlichkeitsberechnung und lädt zu Klassendiskussionen ein.
Analyse eines Deep-Q-Learning-Agenten im Spiel Käsekästchen
Diese Maturaarbeit analysiert experimentell, wie Hyperparameter und Belohnungsfunktionen das Training von Deep-Q-Learning-Agenten beeinflussen. Das Spiel Käsekästchen wird als Gymnasium-Umgebung implementiert, neun KI-Modelle werden trainiert und die Ergebnisse werden systematisch verglichen und interpretiert.
Grundlagen des agentic Coding: Modelle, Tokens, Kontext und Prompts
Ein gut geschriebener, einsteigerfreundlicher Erklärtext zu den Grundkonzepten des Arbeitens mit KI-Coding-Agenten: Modelle und ihre Unterschiede, Tokens als Abrechnungseinheit, Kontextfenster, gute Prompts, der agentische Loop, Halluzinationen und Datenschutz. Die Konzepte werden mit anschaulichen Alltagsmetaphern erklärt, enthält aber keine Übungen oder Lösungen.
Trennlinien bestimmen: vom künstlichen Neuron zur Trennlinie
Das Material führt Schritt für Schritt vom künstlichen Neuron zur Trennlinie im Eingangsraum: Nach einer Wahrheitstabelle-Aufgabe werden die Punkte im Koordinatensystem visualisiert und die Trenngerade als Gleichung aus Gewichten und Schwellenwert hergeleitet. Mit Geogebra und mehreren Aufgaben mit Selbstkontrolle wird der Zusammenhang zwischen Gewichten, Schwellenwert und Trennlinie aktiv erarbeitet.
Castor Informatique 2015 – Cahier d'exercices
Cahier d'exercices papier (version imprimable) du concours Castor Informatique 2015 (partenaire suisse de Bebras), avec 45 tâches interactives couvrant la logique, l'algorithmique, les données, la sécurité et la société de l'information pour les classes 3 à 13. Les questions sont posées sous forme de choix multiples ou de manipulations ; les corrigés et les explications ne figurent pas dans ce document.
Jetzt wird getestet! – Entscheidungsbaum-KI in der Testphase
Interaktive Testphase einer kleinen KI auf Entscheidungsbaum-Basis: Schüler:innen klassifizieren neue Lebensmittel und lesen den Entscheidungsbaum als Darstellungsform für Entscheidungsregeln. Die Seite ist ein Fragment einer grösseren Lerneinheit – der eigentliche Trainingsteil fehlt hier.