Inf13 - Lernbereich 2: Künstliche Intelligenz (ca. 34 Std.): Unterschied zwischen den Versionen
Zur Navigation springen
Zur Suche springen
(Die Seite wurde neu angelegt: „Zurück zur Übersicht >>> LehrplanPLUS G9 - Informatik ===Lehrplantext=== '''Kompetenzerwartungen:''' Die Schülerinnen und Schüler ... * abstrahiere…“) |
|||
| Zeile 5: | Zeile 5: | ||
'''Kompetenzerwartungen:''' Die Schülerinnen und Schüler ... | '''Kompetenzerwartungen:''' Die Schülerinnen und Schüler ... | ||
| − | * | + | * erstellen eine Wissensbasis zu einem abgeschlossenen System der realen Welt (z. B. Stammbaum) durch die Angabe von Fakten und Regeln. Dabei verwenden sie auch rekursive Beschreibungen. |
| − | * | + | * entwerfen Anfragen an eine Wissensbasis mithilfe eines Softwaresystems zur Lösung von Fragestellungen, z. B. Färbung von Landkarten, logische Rätsel. |
| − | * | + | * untersuchen und beschreiben an Beispielen die Strategie der automatisierten Ableitung von Aussagen durch eine Inferenzmaschine. |
| − | * | + | * erklären den prinzipiellen Aufbau eines künstlichen neuronalen Netzes, führen an einfachen Beispielen eine Forward Propagation zu gegebenen Eingabewerten durch und beschreiben die Zielsetzung der Fehlerrückführung. |
| − | * | + | * analysieren unter Verwendung einer geeigneten Software den Einfluss von Trainingsdaten und Hyperparametern, insbesondere der Anzahl von Schichten und Neuronen, auf den Lernerfolg künstlicher neuronaler Netze. |
| + | * beschreiben die Funktionsweise des k-Means-Algorithmus als Beispiel unüberwachten Lernens und implementieren diesen für ein Beispiel. | ||
| + | * analysieren für verschiedene Eingabedaten die Ergebnisse, die der k-Means-Algorithmus in Abhängigkeit von k liefert. | ||
| + | * erläutern die Grundprinzipien überwachten Lernens (supervised learning), unüberwachten Lernens (unsupervised learning) und bestärkenden Lernens (reinforcement learning). | ||
| + | * wenden ein maschinelles Lernverfahren auf eine Problemstellung an. Mithilfe geeigneter Softwaresysteme bereiten sie dabei je nach Verfahren Daten vor, variieren Parameter und interpretieren und bewerten ihre Ergebnisse. | ||
| + | * nehmen zu aktuellen Einsatzmöglichkeiten des maschinellen Lernens (z. B. Gesichtserkennung, Clustering von Kundendaten zu Marketingzwecken) Stellung, indem sie Chancen und Risiken beschreiben und diese hinsichtlich individueller und gesellschaftlicher Verantwortung bewerten. | ||
'''Inhalte zu den Kompetenzen:''' | '''Inhalte zu den Kompetenzen:''' | ||
| − | * | + | * wissensbasiertes System: Wissensbasis (Prädikat, Fakt, Regel), Inferenzmaschine |
| − | * | + | * neuronales Netz: Ein-, Ausgabeschicht, verdeckte Schicht, Gewichte; Forward Propagation und Fehlerrückführung (Backpropagation), Kostenfunktion |
| − | + | * Clustering, k-Means-Algorithmus | |
| − | * | + | * maschinelles Lernen: überwachtes Lernen (supervised learning), unüberwachtes Lernen (unsupervised learning), bestärkendes Lernen (reinforcement learning) |
| + | * ethische Fragen bei Künstlicher Intelligenz | ||
==Ergänzendes Unterrichtsmaterial== | ==Ergänzendes Unterrichtsmaterial== | ||
Aktuelle Version vom 20. April 2023, 22:42 Uhr
Zurück zur Übersicht >>> LehrplanPLUS G9 - Informatik
Lehrplantext
Kompetenzerwartungen: Die Schülerinnen und Schüler ...
- erstellen eine Wissensbasis zu einem abgeschlossenen System der realen Welt (z. B. Stammbaum) durch die Angabe von Fakten und Regeln. Dabei verwenden sie auch rekursive Beschreibungen.
- entwerfen Anfragen an eine Wissensbasis mithilfe eines Softwaresystems zur Lösung von Fragestellungen, z. B. Färbung von Landkarten, logische Rätsel.
- untersuchen und beschreiben an Beispielen die Strategie der automatisierten Ableitung von Aussagen durch eine Inferenzmaschine.
- erklären den prinzipiellen Aufbau eines künstlichen neuronalen Netzes, führen an einfachen Beispielen eine Forward Propagation zu gegebenen Eingabewerten durch und beschreiben die Zielsetzung der Fehlerrückführung.
- analysieren unter Verwendung einer geeigneten Software den Einfluss von Trainingsdaten und Hyperparametern, insbesondere der Anzahl von Schichten und Neuronen, auf den Lernerfolg künstlicher neuronaler Netze.
- beschreiben die Funktionsweise des k-Means-Algorithmus als Beispiel unüberwachten Lernens und implementieren diesen für ein Beispiel.
- analysieren für verschiedene Eingabedaten die Ergebnisse, die der k-Means-Algorithmus in Abhängigkeit von k liefert.
- erläutern die Grundprinzipien überwachten Lernens (supervised learning), unüberwachten Lernens (unsupervised learning) und bestärkenden Lernens (reinforcement learning).
- wenden ein maschinelles Lernverfahren auf eine Problemstellung an. Mithilfe geeigneter Softwaresysteme bereiten sie dabei je nach Verfahren Daten vor, variieren Parameter und interpretieren und bewerten ihre Ergebnisse.
- nehmen zu aktuellen Einsatzmöglichkeiten des maschinellen Lernens (z. B. Gesichtserkennung, Clustering von Kundendaten zu Marketingzwecken) Stellung, indem sie Chancen und Risiken beschreiben und diese hinsichtlich individueller und gesellschaftlicher Verantwortung bewerten.
Inhalte zu den Kompetenzen:
- wissensbasiertes System: Wissensbasis (Prädikat, Fakt, Regel), Inferenzmaschine
- neuronales Netz: Ein-, Ausgabeschicht, verdeckte Schicht, Gewichte; Forward Propagation und Fehlerrückführung (Backpropagation), Kostenfunktion
- Clustering, k-Means-Algorithmus
- maschinelles Lernen: überwachtes Lernen (supervised learning), unüberwachtes Lernen (unsupervised learning), bestärkendes Lernen (reinforcement learning)
- ethische Fragen bei Künstlicher Intelligenz
