Data Science und KI im Mathematikunterricht
Zahlreiche Probleme und Fragestellungen unserer heutigen Gesellschaft sind so komplex und die zu verarbeitenden Datenmengen vielfach so groß, dass diese ohne Computereinsatz nicht mehr lösbar sind. Zum Lösen von Problemen basierend auf großen Datenmengen finden heutzutage vielfach Methoden aus dem Bereich Künstliche Intelligenz (KI) und Data Science (DS) Einsatz. Beispielhafte Anwendungen finden sich im Bereich der Spracherkennung (z. B. bei Alexa und Siri), beim autonomen Fahren oder bei der Vergabe von Krediten im privaten und unternehmerischen Alltag. Die rasant fortschreitende Digitalisierung erfordert es, dass auch Schüler:innen frühzeitig mit dem Thema DS und KI vertraut gemacht werden.
Im Rahmen von CAMMP / Simulierte Welten wird Lernmaterial zu diversen Fragestellungen entwickeltet und erprobt, welches Schüler:innen einen aktiv-handelnden Einblick in die Bedeutung von Mathematik für KI-Methoden erlaubt. Das Lehr- und Lernmaterial liegt auf eine Online-Plattform für den direkten Unterrichtseinsatz bereit. Derzeit wird und wurde an den folgenden Themen gearbeitet:
Wortvorschläge
Es wird die Erzeugung von Wortvorschlägen thematisiert, die dem Nutzer beim Verfassen von Textnachrichten gegeben werden. Hierzu wurde ein eintägiger Workshop erstellt, der so gestaltet ist, dass Schüler:innen selbstständig ein Verfahren erarbeiten um Wortvorschläge auf der Basis von Auftretenshäufigkeiten verschiedener Wortsequenzen zu geben. Der Fokus liegt auf der für die Wortvorhersage notwendigen Entwicklung des statistischen Sprachmodelles, welches als Vorhersagemodell genutzt wird. Bei diesem Modell werden die Wahrscheinlichkeiten für verschiedene Wortsequenzen empirisch aus dem Trainingskorpus ermittelt. Um das nächste Wort nach einer Wortsequenz vorherzusagen, wird ein Markov Modell genutzt, wobei jedes Wort als ein Zustand behandelt wird. Das dadurch erzeugte Sprachmodell wird im Forschungsbereich des Natural Language Processing als N-Gramm-Modell bezeichnet. Das mehrmalige Durchlaufen des Modellierungsprozesses und die Kombination einzelner N-Gramm-Modelle mittels Rückfallstrategien oder Interpolation verbessern das Vorhersagemodell.
Ansprechpartnerin: Stephanie Hofmann
Empfehlungssysteme und der Netflix Preis
Schüler:innen ab Klasse 10 entwickeln ein eigenes Empfehlungssystem für Filme. Dazu nutzen sie einen realen Datensatz, der im Jahr 2006 von dem Unternehmen Netflix veröffentlicht wurde. Zum Thema Empfehlungssysteme für Filme sind zwei KI-Methoden geeignet didaktisch reduziert und im Rahmen von digitalem Lernmaterial aufbereitet worden: Nachbarschaftsmethoden und eine Matrix-Faktorisierung.
Ansprechpartnerin: Sarah Schönbrodt
Bildklassifizierung
Was haben Gesichtserkennung, die automatische Diagnose von Krankheiten und das autonome Fahren gemeinsam? In diesen und vielen weiteren Anwendungen aus Wissenschaft, Forschung und Alltag werden Klassifizierungsprobleme gelöst. In der Regel werden zum Lösen dieser Probleme riesige Datenmengen analysiert und effiziente Algorithmen entwickelt.
Im Rahmen von interaktivem Lehr- und Lernmaterial (umgesetzt als Jupyter Notebooks) entwickeln Schüler:innen der Oberstufe eine maschinelle Lernmethode, die sogenannten Stützvektormethode (engl. Support Vector Machine), zur Klassifizierung von Ampelbildern. Bei der Entwicklung des Modells finden zahlreiche schulmathematische Konzepte wie Vektoren in 2- oder 3-dimensionalen Vektorräumen, das Skalarprodukt oder die Berechnung von Abständen zwischen Punkten und Ebenen Einsatz.
Ansprechpartnerin: Sarah Schönbrodt
Aktivitätserkennung mit dem Smartphone
Das entwickelte Lernmaterial erlaubt es Schüler:innen eigenständig einen k-Nächste-Nachbarn-Algorithmus basierend auf realen Sensordaten zu entwickeln und zur Klassifizierung von Bewegungen (Gehen, Stehen, Laufen, Treppensteigen) anzuwenden.
Ansprechpartnerin: Sarah Schönbrodt
Von der Schulmathematik zu Neuronalen Netzen
Schüler:innen entwickeln ausgehend von einer linearen Regressionaufgabe eine eigenes neuronales Netzwerk.
Ansprechpartner: Stephan Kindler und Sarah Schönbrodt
Handreichung für Lehrkräfte
Derzeit entsteht ein Beitrag zu den Themen Wortvorschläge und Empfehlungssystem in einem Handreichung für Lehrkräfte mit Beispielthemen für naturwissenschaftlich ausgerichtete Seminarkurse an Schulen in Baden-Württemberg. Darin wird der fachwissenschaftliche Hintergrund kurz erläutert und ein Überblick über weiterführende Fragestellungen und schülergeeignete Literatur gegeben.