Tauche mit deinen Schüler*innen in die faszinierende Welt der Künstlichen Intelligenz ein! Dieses Material hilft dir dabei, die Qualitätsaspekte des überwachten Lernens anschaulich und praxisnah zu vermitteln. Deine Lernenden entdecken, wie KI-Modelle funktionieren, welche Daten sie brauchen und wie man ihre Leistung kritisch bewertet.

Was erwartet dich und deine Schüler*innen in diesem Material?

• Grundlagen des überwachten Lernens: Ihr wiederholt, was überwachtes Lernen ist und wie es sich von unüberwachtem oder bestärkendem Lernen unterscheidet.
• Trainings- und Testdaten: Du zeigst deinen Schüler*innen, wie wichtig die richtigen Daten für das Training und die Bewertung von KI-Modellen sind. Sie lernen den Unterschied zwischen Trainings- und Testdaten kennen und warum man sie nicht vermischen darf.
• Qualität von KI-Modellen messen: Ihr entdeckt gemeinsam, wie man die Leistung eines Modells bewertet. Dabei geht es um Konzepte wie Genauigkeit und die Konfusionsmatrix, um Fehler genau zu analysieren.
• Entscheidungsbäume in der Praxis: Anhand konkreter Beispiele, wie der Unterscheidung von Hunde- und Menschenbildern oder der Klassifikation von Affen, wenden deine Schüler*innen Entscheidungsbäume selbst an.
• Overfitting verstehen: Ihr beleuchtet das Phänomen des Overfittings – wenn ein Modell "zu gut" lernt und dabei die Fähigkeit zur Verallgemeinerung verliert. Eine spannende Analogie zum Lernen in der Schule hilft beim Verständnis.
• Kritisches Denken über KI: Deine Schüler*innen reflektieren, warum KI-Modelle manchmal danebenliegen und wie man ihre Qualität verbessern kann.

Nachdem ihr dieses Material bearbeitet habt, können deine Schüler*innen:

• die grundlegenden Konzepte des überwachten Lernens erklären.
• den Zweck und die Bedeutung von Trainings- und Testdaten für KI-Modelle beschreiben.
• die Genauigkeit eines einfachen KI-Modells berechnen und interpretieren.
• das Phänomen des Overfittings erkennen und seine Auswirkungen auf die Modellleistung erläutern.
• einfache Entscheidungsbäume zur Klassifikation von Daten anwenden.
• ein kritisches Verständnis für die Bewertung und Verbesserung der Qualität von KI-Modellen entwickeln.