2.3.2 Wesentliche Mechanismen und Problematiken des maschinellen Lernens erklären (z.B. Generalisierung, Backpropagation, Gradient Descent, Bias, Overfitting)
Unterrichtsmaterial zum Lernziel: Die Maturandinnen und Maturanden können wesentliche Mechanismen und Problematiken des maschinellen Lernens erklären (z.B. Generalisierung, Backpropagation, Gradient Descent, Bias, Overfitting).
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.
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.
Reinforcement Learning: Tame the Dog
Dieses Projektmaterial führt fortgeschrittene Lernende in das Konzept des Reinforcement Learning ein. Anhand eines anschaulichen Beispiels lernen sie, wie durch Feedback-Zyklen mit Belohnungen und Bestrafungen Lernprozesse emuliert werden können.
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.