Dieses Material enthält die komplette Sequenz zum Thema Neuronale Netze. Vom Streichholzschachtelautomat bis hin zum Backpropagation-Algorithmus - hier sind alle wichtigen Inhalte zum Thema Neuronale Netze didaktisch aufbereitet, komprimiert und schülerfreundlich gestaltet.

Am Ende der Sequenz entsteht ein Programm das selbstständig lernt Formen zu erkennen. Darüber hinaus werden schwierige Modelle und komplexe Inhalte mit selbstprogrammierten Tools super anschaulich dargelegt und didaktisch reduziert.

Die Sequenz ist nicht nur für Schüler der zwölften Klasse geeignet. Jeder der dieses Thema wirklich verstehen möchte, erhält hier ein Material, das sich perfekt zu selbst lernen eignet - in kleine Schritte unterteilt mit anschaulichen Beispielen und Musterlösungen.

Die komplette Unterrichtssequenz umfasst 20 Stunden (also 20 x 45 Minuten). Enthalten sind alle benötigten Materialien, Arbeitsblätter, Präsentationen und viel Software. Die Aufgabenblätter sind auch als bearbeitbare ".docx-Dateien" hochgeladen. Die ersten 14 Stunden festigen die Grundlagen und das Verständnis der Funktionsweise - hier benötigt man überhaupt keine Programmierkenntnisse. Beim Erstellen der Abschlussprojekte wird mit Lazarus programmiert. Die Projekte lassen sich aber auch leicht mit anderen Programmiersprachen umsetzen.

Zusätzlich habe ich zu jedem Kapitel ein Erklärvideo auf Youtube erstellt, das man sich kostenlos anschauen kann: 

https://www.youtube.com/watch?v=3QBNtt-fGGY&list=PLEKAAa0l5oIz-udTrbaJwWI5hv4fyakAt&pp=gAQB  

Überblick der Inhalte:

#1 Einführung neuronale Netze (2x 45 Min)

- Aufbau neuronaler Netze (Input-/Output-/Hidden Layer)

- assoziative Aktivierung

- Weights und Biases

- Klassifizierung "gesunder" Lebensmittel

#2 Feedback (2x 45 Min)

- Feedback beim Hot'n'Cold Minispiel

- Reinforced Learning

- Streichholzschachtel-Automat MENACE inkl. Software (PC lernt X-X-O)

#3 Separationsgeraden (2x 45Min)

- Ein Netz mit zwei Input-Neuronen

- gewichtete Summen und Separationsgeraden

- negative Weights und negativer Bias

#4 Hidden Layer (2x 45Min)

- Mehrdimensionale Inputs (Separationsebenen)

- Erweiterung des Modells um ein Hidden Layer

- Die Heavyside-Aktivierungsfunktion

- mehrere Separationsgeraden

#5 Aktivierungsfunktionen (2x 45 Min)

- Forwardpropagation

- Eigenschaften der Sigmoid-Funktion

- Erweiterung des Modells um die Sigmoid-Funktion

- ReLU-Funktion

#6 Kostenfunktionen (2x 45 Min)

- "Colorpicker"-Minispiel mit Feedback

- Mean Squared Error

- Erweiterung des Modells um eine Kostenfunktion

- Batch-Training

- Tiefpunkte und Gradientenabstieg

#7 Gradientenabstiegsverfahren (2x 45 Min)

- partielle Ableitungen

- Gradienten und Lernrate

- Gradient Descent - Kettenregel

- Backpropagation-Algorithmus I

#8 Ein erstes neuronales Netz (3x 45 Min)

- Backpropagation-Algorithmus II

- Historische Daten als Input-Values

- Projekt: Eine Bitcoin-Preis-Glaskugel (neuronales Netz mit einem Hidden Layer)

#9 Projekt - Bilderkennung (3x 45 Min)

- Anpassung der Backpropagation bei mehr als einem Hidden Layer

- Verarbeitung von Bilddateien

- Gruppenarbeit: Shape-Recognition ANN (neuronales Netz mit zwei Hidden Layern)

- Heatmaps

- Herausforderungen beim Lernen mit einem ANN

- Vanishing Gradient Problem - Ausblick