Fortbildungsveranstaltungen KI
Im Lehrplan der gymnasialen Oberstufe in Bayern findet sich ab dem Schuljahr 2023/2024 im Fach Informatik der neue Lernbereich „Künstliche Intelligenz“ (KI). Allerdings ist KI noch nicht verpflichtender Bestandteil der Lehrerbildung, sodass Informatiklehrkräfte bislang nicht zwangsläufig über entsprechende Fach- und Fachdidaktikkenntnisse verfügen.
Als Teil der Fortbildungsinitiative KI des Staatsministeriums für Unterricht und Kultus bietet die Didaktik der Informatik der Universität Passau Fortbildungsveranstaltungen an, um dieser Herausforderung zu begegnen. Im Rahmen der Fortbildungs-veranstaltungen "KI@Informatik11" (ab 01/2023) und "KI@Informatik13" (ab 2024) findet eine fachdidaktische Fundierung der im LehrplanPlus genannten Inhalte statt, es werden grundlegende Vorgehensweisen und Ideen herausgearbeitet sowie konkrete Unterrichtsmaterialien und -ansätze vorgestellt und diskutiert.
KI@Informatik11 - was, wozu, wie, womit unterrichten?
- Erläuterung von Begriffen
- Erarbeitung und Erprobung von Umsetzungen, Anwendungsaufgaben, Simulationen
- maschinelles Lernen mit Schwerpunkt überwachtes Lernen: Entscheidungsbaum, k-nächste Nachbarn
- künstliches Neuron (Perzeptron)
- Erläuterung von Kriterien zur fachlich fundierten Beurteilung der Chancen und Risiken des Einsatzes künstlicher Intelligenz anhand konkreter Beispiele aus dem Alltag
Schuljahr 2024/2025:
- Termin: Di. 01.10.2024 und Mi. 02.10.2024 : Link zu FIBS-Anmeldung
Schuljahr 2023/2024:
- Termin: Mi. 29.11.2023 und Mi. 06.12.2023
Schuljahr 2022/2023:
Der k-nächste-Nachbarn-Algorithmus
Zur Visualisierung und Simulation des maschinellen Lernprozesses am Beispiel des k-nächste-Nachbarn-Algorihmus wurden Tabellenkalkulationsmappen (speziell für Microsoft Excel und LibreOffice Calc) erstellt, welche es ermöglichen, einzelne Schritte im maschinellen Lernprozess (Klassifikation, Training, Bestimmung des Hyperparameters k, Testen, ...) zu simulieren und selbst auszuprobieren. Diese Mappen stehen in zwei Versionen mit unterschiedlichen Anwendungskontexten (Klassifikation von T-Shirtgrößen und Irisklassifikation) zur Verfügung.
Des Weiteren wurde eine weitere Tabellenkalkulationsmappe erstellt um eine weitere Anwendung des k-nächste-Nachbarn-Algorithmus, die Regression, zu demonstrieren. Hier wurde der Anwendungskontext Vorhersage eines Hauspreises in Abhängigkeit des Merkmals Fläche in m2 gewählt.
Den Tabellenkalkulationsmappen werden im Rahmen der KI Education Box zur Verfügung gestellt.
Die Tabellenkalkulationsmappen und das zugehörige Handbuch können Sie hier herunterladen: KI Education Box - k nächste Nachbarn
Der Entscheidungsbaum-Algorithmus
Der Entscheidungsbaum-Ersteller ENTER kann als Hilfsmittel bei der Umsetzung des Themas Entscheidungsbaum des LehrplanPLUS-Kapitels 11.4 Künstliche Intelligenz des bayerischen Lehrplans dienen. Er eignet sich sowohl um die Trainings- und Testphase des Algorithmus maschinellen Lernens durchzuführen, als auch um den Einfluss von Trainingsdaten und Hyperparametern auf die Zuverlässigkeit der Ergebnisse des Entscheidungsbaum-Algorithmus zu untersuchen.
Die Software bietet sowohl die Möglichkeit einen Entscheidungsbaum unter Verwendung verschiedener Split-Kriterien (u.a. Fehlklassifikationsrate, Gini-Impurity, ...) unter Einbezug verschiedener Hyperparameter zu erstellen und graphisch darzustellen, als auch die Güte des erstellten Baums anhand von Testdaten zu testen, die Ergebnisse in Form einer Konfusionsmatrix anzuzeigen und das Modell anhand des Gütemaßes Genauigkeit zu bewerten. Der ENTER ermöglicht außerdem die genauere Untersuchung eines erstellten Entscheidungsbaums, indem man sich die verwendeten (Teil-) Datensätze in den einzelnen Knoten, sowie die dort berechneten Informationsgewinne anzeigen lassen kann. Des Weiteren kann ein geladener Datensatz automatisch in Trainings- und Testdaten geteilt werden um den Einfluss verschiedener Trainingsdaten auf die Modellerstellung zu untersuchen.
Den Entscheidungsbaum-Ersteller wird im Rahmen der KI Education Box zur Verfügung gestellt.
Die Software, das zugehörige Handbuch und einige Beispieldatensätze können Sie hier herunterladen: KI Education Box - Entscheidungsbaum Ersteller
Das Perzeptron und sein Lernalgorithmus
Für die didaktische Simulation des Perzeptrons, sowie des zugehörigen Lernprozesses wurde die Simulationssoftware Perzeptron-Simulator entwickelt. Die Software kann als Hilfsmittel bei der Umsetzung des Themas Perzeptron des LehrplanPLUS-Kapitels 11.4 Künstliche Intelligenz des bayerischen Lehrplans dienen. Sie eignet sich sowohl um die Funktionsweise, als auch den Lernalgorithmus zum Training des Perzeptrons zu simulieren.
Die Software bietet die Möglichkeit den Lernprozess eines Perzeptrons für zwei verschiedene Anwendungskontexte, die Lineare Klassifikation und die Lineare Regression zu simulieren. Neben einer schematischen Darstellung des Perzeptrons mit den jeweils aktuellen Parametern wird ein weiterer Fokus auf die graphische Darstellung der geometrischen Interpretation des Perzeptrons gelegt. Daneben werden auch noch weitere Ansichten, wie etwa zur geometrischen Visualisierung der Gewichtsanpassungen, zur Verfügung gestellt.
Den Perzeptron-Simulator wird im Rahmen der KI Education Box zur Verfügung gestellt.
Die Software, das zugehörige Handbuch und einige Beispieldatensätze können Sie hier herunterladen: KI Education Box - Perzeptron Simulator
KI@Informatik13 - was, wozu, wie, womit unterrichten?
Die Didaktik der Informatik der Universität Passau bietet eine kombinierte Fortbildung zu den Themenbereichen „Künstliche Intelligenz“ des LehrplanPLUS der 13. Jahrgangsstufe im grundlegenden und erhöhten Anforderungsniveau an. Neben der fachlichen und fachdidaktischen Fundierung der im LehrplanPlus genannten Inhalte steht die Herausarbeitung grundlegender Vorgehensweisen und Ideen des Themenbereichs sowie die Vorstellung, Erprobung und Diskussion konkreter Unterrichtsmaterialien und -ansätze im Mittelpunkt der Fortbildung.
Geplante Inhalte der Fortbildung:
- Verfahren maschinellen Lernens
- K-Means-Algorithmus
- Wissensbasierte Systeme
- Grundlegende Funktionsweise künstlicher neuronaler Netze; Beleuchtung des Lernprozesses (insbesondere Gradientenabstieg und Fehlerrückführung) und des Einflusses von Trainingsdaten und Hyperparametern auf den Lernerfolg
Die Fortbildung findet an zwei aufeinanderfolgenden Tagen in Präsenz statt. Um Ihnen die Anfahrt so kurz und einfach wie möglich zu gestalten, werden wir die Präsenztage über Ostbayern streuen. Die konkreten Termine finden Sie zeitnah an dieser Stelle.
Die Termine der einzelnen Fortbildungen stellen wir zeitnah an dieser Stelle ein.
Diese Seite teilen
