2.3 Künstliche Intelligenz – Unterrichtsmaterial
Der Unterschied zwischen GPT und ChatGPT
Dieses Unterrichtsmaterial erklärt anschaulich den Unterschied zwischen einem reinen Sprachmodell (GPT) und einer vollständigen Anwendung mit Zusatzkomponenten (ChatGPT). Anhand von Beispielen wie Wetterabfragen, Rechenaufgaben und Sicherheitsmechanismen wird die Funktionsweise moderner KI-Assistenten vermittelt.
Von Deep Learning zu Large Language Models
Dieses Unterrichtsmaterial führt anschaulich und vereinfacht in die Funktionsweise von neuronalen Netzen, Deep Learning und Large Language Models (LLMs) ein. Es behandelt Themen wie Tokens, Tokenisierung, Vorhersage des nächsten Tokens, Transformer-Architekturen sowie die Abgrenzung von künstlicher und menschlicher Intelligenz.
Naive Bayes Spamfilter im Unterricht
Dieses Unterrichtsmaterial behandelt die Funktionsweise und Validierung eines Spamfilters mittels Naive-Bayes-Klassifikation und Excel-Tabellen. Anhand konkreter Beispiele wird die Berechnung von Wahrscheinlichkeiten, die Bestimmung der Genauigkeit und die Wichtigkeit der Datenqualität demonstriert.
Training eines Spam-Erkennungsmodells mit Microsoft Excel
Dieses Unterrichtsmaterial führt Lernende anhand eines konkreten Beispiels in das Training von Modellen ein. Ohne komplexe Programmierung wird ein bestehendes Spam-Erkennungsmodell mit Excel-Tabellen und einem synthetischen Datensatz trainiert, um die Grundlagen des maschinellen Lernens zu verstehen.
Der naive Bayes-Klassifikator als Spamfilter
Dieses Unterrichtsmaterial führt anhand eines einfachen Spamfilter-Beispiels in die Funktionsweise des Naiven Bayes-Klassifikators und grundlegende Konzepte der künstlichen Intelligenz ein. Es enthält eine anschauliche Herleitung der Wahrscheinlichkeiten sowie konkrete Aufgaben zur Vertiefung.
Was ist eine Künstliche Intelligenz? Grundlagen und Funktionsweise
Dieser Text vermittelt die theoretischen Grundlagen der Künstlichen Intelligenz, vergleicht klassische Algorithmen mit KI-Algorithmen und erläutert die Funktionsweise von generativen KI-Modellen sowie Begriffen wie maschinelles Lernen und Halluzinationen.
Grundlagen des agentenbasierten Programmierens mit KI
Der Text erklärt grundlegende Konzepte der Arbeit mit KI-gestützten Programmierassistenten und agentenbasierter Programmierung. Dabei werden zentrale Begriffe wie LLMs (Modelle), Token, das Kontextfenster, Prompt-Engineering, der Agentenzyklus, Halluzinationen und Datenschutz verständlich erläutert.
Grundlagen der agentischen Programmierung und KI-Modelle
Der Text vermittelt praxisnahe Grundlagen zu agentischen Programmierwerkzeugen und grossen Sprachmodellen (LLMs). Dabei werden zentrale Konzepte wie Modelle, Token, Kontextfenster, Prompt-Engineering, die agentische Schleife, Halluzinationen und Datenschutz verständlich erklärt.
Einführung in das agentenbasierte Programmieren mit KI
Der Artikel führt in die Welt des agentenbasierten Programmierens ein, bei dem KI-Agenten eigenständig Code lesen, schreiben und testen können. Er zeigt auf, wie Lernende diese Werkzeuge sinnvoll als unterstützende Tutoren einsetzen können, ohne den eigenen Lernprozess zu umgehen.
Künstliche Intelligenz und Maschinelles Lernen im Unterricht
Umfassende Unterrichtsmaterialien zur Künstlichen Intelligenz, die von den Grundlagen über neuronale Netze und Entscheidungsbäume bis hin zu praktischen Jupyter-Notebooks in Python und ethischen Fragestellungen reichen. Das Material verbindet anschauliche Erklärungen mit praktischen Programmierübungen und interaktiven Ansätzen.
AI with MIT App Inventor
Eine umfangreiche Sammlung von Tutorials und Projektanleitungen von MIT App Inventor, mit denen Schülerinnen und Schüler eigene Smartphone-Apps mit künstlicher Intelligenz, maschinellem Lernen und Bilderkennung entwickeln können. Das Material bietet praxisnahe und motivierende Zugänge zu modernen KI-Technologien.
Problemdefinition am Beispiel eines Spamfilters
Dieses Material erklärt am praxisnahen Beispiel eines Spamfilters, wie wichtig eine klare und präzise Problemdefinition für maschinelles Lernen ist. Es werden konkrete Eingrenzungen und messbare Erfolgskriterien wie Genauigkeit, False Positives und False Negatives erarbeitet.
Leitfaden zum Umgang mit Künstlicher Intelligenz in der Schule
Dieser Leitfaden vermittelt Schülerinnen und Schülern grundlegende Kompetenzen im Umgang mit generativer KI. Er behandelt kritische Aspekte wie Bias und Datenschutz, den lernfördernden Einsatz von Chatbots sowie Techniken des Prompt Engineerings.
Introduction au codage agentique
Dieses Material bietet eine verständliche Einführung in das Konzept des agentischen Programmierens (agentic coding) mit Künstlicher Intelligenz. Es beleuchtet, wie moderne KI-Agenten eigenständig Code lesen, modifizieren und testen können, und gibt Lernenden Tipps für den sinnvollen Einsatz beim Programmierenlernen.
Introducción a la programación agéntica para principiantes
Esta guía introductoria explica qué es la programación agéntica y cómo las herramientas de inteligencia artificial con capacidad de acción están transformando el desarrollo de software. Además, aconseja a los principiantes sobre cómo utilizar estos agentes de manera responsable como herramientas de aprendizaje en lugar de sustitutos del esfuerzo propio.
Einführung in den agentenbasierten Programmieren mit Künstlicher Intelligenz
Der Artikel führt in die Grundlagen des modernen, KI-gestützten Programmierens mit Agenten ein und zeigt auf, wie solche Werkzeuge sinnvoll als Lernhilfen eingesetzt werden können, ohne dass sie eigene Programmieraufgaben komplett abnehmen. Er beschreibt den Wandel in der Softwareentwicklung durch Large Language Models und gibt Orientierung für den Einstieg mit Einsteigern.
Einführung in das Agentic Coding
Dieser Artikel führt in das Konzept des Agentic Coding ein, erklärt die Funktionsweise von KI-Agenten in der Softwareentwicklung und gibt Tipps, wie Lernende diese Werkzeuge sinnvoll zum Erlernen von Programmierkonzepten nutzen können, ohne dabei den eigenen Lernprozess zu umgehen.
Kombination von Grammatik-basierten Parsern und LLMs zur Übersetzung natürlicher Sprache in Programmcode
Das Dokument untersucht architektonische Strategien zur Kombination von Grammatik-basierten Parsern und Large Language Models (LLMs), um robuste Übersetzer für domänenspezifische Sprachen und Machine-Learning-Workflows zu entwickeln. Es werden konkrete Implementierungen wie parallele Ausführung mit LLM-Richtern sowie Fallback-Mechanismen vorgestellt und in der Programmiersprache Raku demonstriert.
RAG-Engine mit Perl, Ollama und ChromaDB
Der Beitrag erklärt das Konzept des Retrieval-Augmented Generation (RAG) anhand eines anschaulichen Beispiels. Ausserdem wird ein vollständiges Programmierbeispiel in Perl gezeigt, das Docker, Ollama und ChromaDB zur lokalen Umsetzung einer RAG-Pipeline nutzt.
Warum man im Zeitalter von KI trotzdem Programmieren lernen muss
Der Blogbeitrag beleuchtet die Rolle der Programmierung im Zeitalter von LLMs wie Claude. Er argumentiert, dass man zwar nicht mehr zwingend selbst Code schreiben muss, aber fähig sein muss, Code zu lesen und kritisch zu prüfen, da KI-Agenten oft fehlerhaft oder destruktiv vorgehen.
Warum man trotz KI noch programmieren lernen muss
Der Artikel argumentiert, dass man im Zeitalter von LLMs wie Claude zwar nicht mehr zwingend Code schreiben, aber sehr wohl programmieren lernen und Code lesen können muss, um die oft subtilen Fehler und destruktiven Aktionen von KI-Assistenten zu erkennen und zu korrigieren.
GenAI: Historical Character Advisor App
Dieses Tutorial zeigt, wie man eine generative KI-Anwendung erstellt, bei der Nutzerinnen und Nutzer Fragen an historische Persönlichkeiten stellen können. Es verbindet Informatik mit einem kreativen Projektansatz und greift die Vision von Steve Jobs aus dem Jahr 1985 auf.
Personal Image Classifier: PICaboo
Dieses zweiteilige Tutorial führt Schülerinnen und Schüler in das maschinelle Lernen und die Bildklassifikation ein. Dabei wird spielerisch ein interaktives Peekaboo-Spiel entwickelt, das auf einem selbst angelernten Bildklassifizierungsmodell basiert.
Warum man im Zeitalter von KI trotzdem programmieren lernen muss
Der Artikel beleuchtet die Rolle des Programmierens im Zeitalter von LLMs wie Claude. Er argumentiert, dass KI zwar extrem schnell Code generiert und Probleme löst, dabei aber oft unvorhersehbare Fehler macht oder Datenbanken löscht, weil ihr das echte Verständnis und die langfristigen Konsequenzen fehlen. Daher ist es unerlässlich, Code kritisch lesen und bewerten zu können, was fundierte Programmierkenntnisse voraussetzt.
In the Black Mirror: What Artificial Intelligence Means for Race, Art and the Apocalypse
Eine Sammlung von Interviews zwischen Jugendlichen und Experten beleuchtet die Auswirkungen von künstlicher Intelligenz auf Kunst, Ethik und Gesellschaft. Das Material bietet einen reflektierten, jugendnahen Zugang zu den Chancen und Risiken moderner KI-Systeme.
Warum brauchen wir eine feministische KI? - Interview mit Dr. Eva Gengler
Ein spannendes Interview mit der KI-Expertin Dr. Eva Gengler über diskriminierende Algorithmen, gesellschaftliche Machtstrukturen und den Ansatz einer feministischen KI. Der Beitrag bietet Lehrkräften wertvolle Denkanstösse und konkrete Tipps, um das Thema Bias und verantwortungsvoller Umgang mit Künstlicher Intelligenz im Unterricht zu behandeln.
Interview zur Nachhaltigkeit von Künstlicher Intelligenz
Dieses Interview mit Dr. Anne Mollen von AlgorithmWatch beleuchtet die ökologischen und sozialen Herausforderungen von Künstlicher Intelligenz. Es thematisiert den Energie- und Ressourcenverbrauch von KI-Systemen sowie Fragen der gesellschaftlichen Verantwortung und Nachhaltigkeit.
Neural Nets in Raku
Der Blogbeitrag beschreibt praxisnah die Implementierung eines einfachen neuronalen Netzes in der Programmiersprache Raku unter Verwendung von asynchronen Streams und Rollen. Es wird detailliert auf den Aufbau von Neuronen, Pfaden und einer Gehirn-Struktur eingegangen, inklusive Code-Beispielen für die Erstellung und Ausführung.
Detection and Evaluation of Cheating on College Exams using Supervised Classification
Dieses wissenschaftliche Paper beschreibt die Anwendung von Text-Mining-Methoden und Klassifikationsmodellen zur Erkennung von Täuschungsversuchen in Prüfungen. Es werden Entscheidungsbäume eingesetzt und die Ergebnisse mit der Bewertung durch Fachexperten verglichen.