2.3 Data-Science – Unterrichtsmaterial
DynaTraffic: Einstiegs-, Fortgeschrittene und Weiterführende Aufgaben
Umfassendes Aufgabenblatt zur Simulation von Markov-Ketten und dynamischen Systemen mit dem Programm DynaTraffic. Die Schülerinnen und Schüler analysieren Übergangswahrscheinlichkeiten, stationäre sowie periodische Zustände und das Verhalten von Verkehrssystemen.
Das Monty-Hall-Problem
Das Material stellt das berühmte Ziegenproblem anschaulich vor, erklärt die mathematische Logik dahinter mit Tabellen und intuitiven Beispielen und fordert die Lernenden auf, die Strategie durch eine Computersimulation in Python zu überprüfen.
Künstliche Intelligenz und maschinelles Lernen - Unterrichtsmaterial
Umfassendes Unterrichtsmaterial zur künstlichen Intelligenz, das von grundlegenden Konzepten wie Entscheidungsbäumen und neuronalen Netzen bis hin zu praktischen Python-Programmierungen mit Jupyter-Notebooks reicht. Es beleuchtet zudem ethische Aspekte, Data-Science-Projekte und die Geschichte der KI.
Prüfung Programming, Automation, Computation
Eine schriftliche Informatikprüfung für Gymnasien, die praxisnahe Aufgaben zu den Themenbereichen Programmierung (Visualisierung mit Google Code Playground), Automatentheorie (KARA und Mustererkennung) sowie Projektmanagement (Marshmallow Challenge) abdeckt.
Erdbeben weltweit — eine Live-Karte aus echten Daten
In diesem interaktiven Programmierprojekt erstellen Schülerinnen und Schüler eine weltweite Erdbebenkarte mit echtem Datenbezug. Dabei lernen sie, GeoJSON-Daten via API abzufragen, mit Python zu filtern und mithilfe von matplotlib zu visualisieren.
Agent-Based Modelling mit NetLogo
Dieses umfassende und interaktive Unterrichtsmaterial führt in das Agent-Based Modelling (ABM) anhand von NetLogo-Simulationen ein. Die Lernenden untersuchen Räuber-Beute-Systeme (Wolf-Schaf-Gras) sowie evolutionäre Prozesse mit Vererbung und natürlicher Selektion anhand strukturierter Aufgaben.
Weltbank-Indikatoren Projekt: Daten mit SQL in Python
In diesem umfassenden Programmierprojekt verbinden die Lernenden eine SQLite-Weltbankdatenbank mit Python, führen komplexe SQL-Abfragen durch und entwickeln eine eigene interaktive Konsolenanwendung oder Präsentation. Das Material enthält anschaulichen Beispielcode, wertvolle Projektaufgaben sowie klare Bewertungskriterien inklusive Code-Review.
Präzisere PPG-Messung mit dem USB-Mikroskop
Dieses Unterrichtsmaterial zeigt, wie man mithilfe eines USB-Mikroskops und Python PPG-Signale (Photoplethysmographie) zur Herzfrequenzmessung erfasst. Die Schülerinnen und Schüler vergleichen verschiedene Körperstellen, analysieren die Signale mit Filtern und FFT und vertiefen ihr Wissen durch praktische Experimente.
PPG-Signal aufnehmen und visualisieren mit Smartphone und Python
In diesem praxisorientierten Projekt nehmen Schülerinnen und Schüler ein eigenes Photoplethysmogramm (PPG) mit dem Smartphone auf, extrahieren die Farbwerte mithilfe eines Python-Skripts und visualisieren sowie analysieren die Herzfrequenz in Microsoft Excel.
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.
Einführung in künstliche neuronale Netzwerke
Dieses Unterrichtsmaterial erklärt anschaulich die Grundlagen künstlicher neuronaler Netze, den Aufbau aus Schichten und den Unterschied zwischen klassischer Programmierung und dem Lernen aus Beispielen anhand von Bilderkennung.
Einführung in künstliche neuronale Netze und künstliche Neuronen
Dieses Unterrichtsmaterial führt in die Grundlagen künstlicher neuronaler Netze ein, indem es vom biologischen Vorbild der Nervenzelle zu dessen mathematischer Abstraktion als künstliches Neuron übergeht. Es erklärt zentrale Konzepte wie Gewichte, Bias, Aktivierungsfunktionen und Sigmoid-Funktionen anhand von Beispielen und integriert kleine Aufgaben.
Einführung in die Erstellung eines Spamfilters als KI
Dieses Unterrichtsmaterial führt schrittweise in die Grundlagen der künstlichen Intelligenz ein, indem die Lernenden die Erstellung eines Spamfilters konzipieren. Dabei werden zentrale Phasen wie Problemdefinition, Datenaufbereitung, Modellauswahl, Training, Validierung sowie ethische Aspekte und Bias thematisiert.
Aufgaben und Fazit zum Spamfilter mit Naive Bayes
Das Material enthält praxisnahe Aufgaben zu einem textbasierten Spamfilter, der mit dem Naiven Bayes Klassifikator realisiert wurde. Es thematisiert unter anderem Modell-Bias durch unzureichende Trainingsdaten, Anwendungsbereiche und ethische Fragestellungen.
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.
Auffrischung und Erweiterung der Python-Kenntnisse
Dieses Kapitel dient der Repetition und Vertiefung grundlegender Python-Kenntnisse sowie der Einführung in die objektorientierte Programmierung. Anhand praktischer Aufgaben werden Daten aus Textdateien eingelesen, analysiert, aufbereitet und dargestellt.
Höhendaten analysieren und visualisieren mit Python
Dieses Unterrichtsmaterial zeigt schrittweise, wie Höhendaten von Swisstopo mit Python eingelesen, aufbereitet, analysiert und grafisch als Bilder oder Reliefs dargestellt werden. Die Lernenden frischen ihre Programmierfähigkeiten auf und lernen den Umgang mit Dateizugriffen sowie Visualisierungstools.
Transformation und Aufbereitung von Geodaten
Dieses Unterrichtsmaterial behandelt die Aufbereitung und Transformation von räumlichen Höhendaten. Die Lernenden bestimmen Minima und Maxima von Koordinaten, berechnen Skalierungsfaktoren und Verschiebevektoren und setzen die Daten in eine zweidimensionale Liste um.
3D-Datenvisualisierung mit Python und Matplotlib
Dieses Unterrichtsmaterial führt in die Visualisierung von Höhendaten in 3D mit Python und der Bibliothek Matplotlib ein. Die Lernenden verwenden Code-Beispiele, untersuchen Scatter- und Trisurf-Plots und konvertieren Datenstrukturen für die Darstellung.
Web Scraping mit Python und Regulären Ausdrücken
Das Unterrichtsmaterial führt in das Thema Web Scraping ein. Anhand praktischer Beispiele wie der Aare-Temperatur lernen die Lernenden, wie man Webseiten mit Python herunterlädt, Daten mit Regulären Ausdrücken extrahiert und die rechtlichen Rahmenbedingungen sowie den Unterschied zu APIs versteht.
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.
Grundkonzepte der KI-gestützten Programmierung und Agenten
Der Text erklärt verständlich die grundlegenden Konzepte hinter modernen KI-Programmierwerkzeugen und Agenten. Dabei werden Themen wie Sprachmodelle (LLMs), Tokens, Kontextfenster, Prompt-Engineering, den Agenten-Loop sowie Grenzen wie Alucinationen und Datenschutz beleuchtet.
Fundamentos da Programação com Agentes de IA
Este texto introdutório explica os conceitos fundamentais por trás do uso de ferramentas de programação assistidas por IA, incluindo modelos de linguagem (LLMs), tokens, janelas de contexto, engenharia de prompts, o ciclo de execução dos agentes e a gestão de alucinações e privacidade.
I concetti fondamentali del coding agentico
Questo materiale introduce i concetti chiave legati all'uso di strumenti di programmazione basati su intelligenza artificiale (agenti di coding). Vengono spiegati in modo chiaro il funzionamento dei modelli di linguaggio (LLM), i token, la finestra di contesto, la stesura dei prompt, il ciclo agentico, il fenomeno delle allucinazioni e gli aspetti legati alla privacy.
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.
Fondamentaux de la programmation agentique et des LLM
Ce document présente les concepts fondamentaux liés à l'utilisation des modèles de langage et de la programmation agentique, incluant les modèles, les tokens, la fenêtre de contexte, les prompts, la boucle agentique et les hallucinations. Il fournit aux élèves des repères théoriques essentiels pour travailler efficacement avec des assistants de code basés sur l'IA.
Conceptos fundamentales de la programación agéntica e inteligencia artificial
Este material explica los conceptos teóricos esenciales detrás de la programación agéntica y los modelos de lenguaje (LLM). Aborda temas como modelos, tokens, ventanas de contexto, bucles agénticos y alucinaciones, ofreciendo una base conceptual sólida para trabajar con herramientas de inteligencia artificial.
Fundamentos de la programación agéntica y modelos de lenguaje
Este material explica los conceptos fundamentales detrás de las herramientas de programación agéntica y los modelos de lenguaje grande (LLMs). Cubre temas esenciales como modelos, tokens, ventanas de contexto, prompts, bucles agénticos, alucinaciones y privacidad de datos.
Grundlagen des Agentic Coding und von LLMs
Der Text führt verständlich in die theoretischen und praktischen Grundlagen von KI-gestützten Programmuss-Werkzeugen ein. Er erklärt Kernkonzepte wie LLMs, Tokens, Kontextfenster, Prompts, den Agenten-Betriebskreislauf und den Umgang mit Halluzinationen.
Grundlagen der Nutzung von AI-Codierassistenten und Large Language Models
Der Text erklärt grundlegende Konzepte rund um den Einsatz von Large Language Models und agentischen Codier-Werkzeugen. Dabei werden Themen wie Modellkapazitäten, Token, Kontextfenster, Prompts, der Agenten-Loop, Halluzinationen und Datenschutz praxisnah erläutert.
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.
Modellerweiterung des Random Surfer Modells (PageRank)
Das Unterrichtsmaterial behandelt die Modellerweiterung des Random Surfer Modells im Kontext des PageRank-Algorithmus. Die Lernenden analysieren Probleme wie Link-Sackgassen in vereinfachten Modellen und erweitern diese um Gelegenheitsjumper, wobei wahlweise Tabellenkalkulationen oder Python eingesetzt werden können.
StammbaumXML: Verarbeitung von Daten eines Stammbaumes
Das Unterrichtsmaterial behandelt die automatisierte Verarbeitung von Stammbaumdaten mithilfe von XML-Dokumenten und Python. Die Lernenden analysieren Datenstrukturen, entwickeln Programmierfunktionen zur Datenabfrage und -auswertung und untersuchen Suchalgorithmen wie die Breitensuche anhand konkreter Codebeispiele.
XML-Datenverarbeitung mit Python
Dieses Unterrichtsmaterial bietet praktische Programmieraufgaben in Python zur Verarbeitung von XML-Daten anhand einer Musiksammlung und einer SVG-Datei. Die Lernenden lernen, Datenstrukturen zu analysieren und mittels Programmiercode spezifische Informationen zu extrahieren und zu aggregieren.
Animal Leg Chart: CSV-Daten visualisieren mit Python
In diesem Material wird anhand eines Tiersatzes als CSV-Datei gezeigt, wie Daten in Python eingelesen, verarbeitet und grafisch als Diagramm dargestellt werden. Die Lernenden schreiben Funktionen, um Datensätze zu filtern und Farben basierend auf Attributen zuzuordnen.
Warming Stripes Data Visualization in Python
In diesem Unterrichtsmaterial erstellen Schülerinnen und Schüler mit Python und der Bibliothek PyTamaro eine Datenvisualisierung der Temperaturveränderungen in der Südschweiz (Warming Stripes). Dabei verarbeiten und analysieren sie historische Klimadaten und mappen Temperaturabweichungen auf Farbwerte.
Advent of Code 2024 - Day 2: Red-Nosed Reports
Eine Programmieraufgabe, bei der numerische Daten (Messwerte von Reaktoren) anhand definierter Regeln auf 'Sicherheit' überprüft werden müssen. Die Lernenden analysieren Sequenzen von Zahlen auf strikte Monotonie und maximale Differenzen.
Datenvisualisierung mit Python und Matplotlib
Eine Einführung in das Erstellen von Datenvisualisierungen wie Histogrammen, Liniendiagrammen und Streudiagrammen mit der Python-Bibliothek Matplotlib. Das Material erklärt die Grundlagen der Darstellung von Datensätzen und das Hinzufügen von Beschriftungen.
Carte mondiale avec Python et Geovizir
Dieses Notebook zeigt Schritt für Schritt, wie man mit Python, Pandas, Matplotlib und der Bibliothek Geovizir statistische und geografische Daten zusammenführt und eine Weltkarte erstellt. Es deckt das Abrufen von Daten, Data-Merging und die Datenklassifizierung ab.
Bases de carto
Dieses Jupyter-Notebook führt Lernende in die Erstellung von choroplethen Karten mit Python ein. Dabei werden statistische Daten mit Kartendaten verknüpft und grafisch dargestellt.
Les bases de la cartographie avec Python
Das Unterrichtsmaterial führt in die Grundlagen der digitalen Kartographie (SIG) ein und zeigt, wie geographische und statistische Daten mithilfe von Python und der Bibliothek GeoVizir verarbeitet, kombiniert und analysiert werden.
Iterative Programm-Optimierung und Datenverarbeitung in Raku
Ein praktisches Programmierbeispiel, das zeigt, wie ein naives Skript zur Analyse von UN-Bevölkerungsdaten schrittweise durch Fehlerbehebung, Performance-Optimierung und den Einsatz von Bibliotheken verbessert wird.
Diskretisierung von Daten mit Pandas
Das Unterrichtsmaterial erklärt das Konzept der Datendiskretisierung (Klasseneinteilung) und zeigt anhand konkreter Python-Codebeispiele, wie die Funktionen pd.cut() und pd.qcut() in Pandas zur Aufteilung von kontinuierlichen Daten in Intervalle eingesetzt werden.
Pandas et les tableaux de données
Das Material führt in die Datenanalyse mit der Python-Bibliothek Pandas ein. Die Lernenden erfahren anhand von Beispielen zur Schweizer Bevölkerung, wie man Datentabellen einliest, filtert, manipuliert und neue Spalten erstellt.
Carte suisse: Erstellung einer thematischen Karte mit Python
Dieses Unterrichtsmaterial zeigt anhand eines praktischen Beispiels, wie mit Python, Pandas und Matplotlib statistische Daten des Bundesamts für Statistik mit Geodaten zusammengefügt und als Karte der Schweiz visualisiert werden. Es deckt dabei die Datenextraktion und -aufbereitung ab.
Bases de carto - Kartenerstellung mit Python
Dieses Unterrichtsmaterial bietet praktische Übungen zur Erstellung von Karten und choroplethen Karten in Python. Die Lernenden verknüpfen statistische Daten mit Geodaten und klassifizieren diese für die Datenvisualisierung.