Lernziele
Leitidee
Wenn wir im Zusammenhang mit künstlichen neuronalen Netzen (KNN) von Maschinellem Lernen sprechen, ist im Prinzip die Veränderung der Gewichte zwischen den einzelnen Knotenpunkten gemeint. Je nach Anwendungsfeld sind diese Knoten unterschiedlich verbunden (siehe Topologie der KNN). Das Ziel eines KNN ist es mit Hilfe eines Lernverfahrens die Gewichte so anzupassen, dass es für bestimmte Eingangsmmuster zugehörige Ausgabemuster erzeugt.
Die Übung Song Recommender soll den Lernenden aufzeigen, dass ein guter Empfehlungsdienst einerseits viele und möglichst diverse Daten braucht, diese andererseits aber auch sinnvoll verarbeiten muss. Diese Verarbeitung kann bei wenigen Daten manuell vorgenommen werden. Je grösser die Zahl der Nutzenden und Anzahl Inhalte einer Internetplattform, desto spezifischer müssen diese Empfehlungen sein, um die Zuschauenden zu binden. Die Einteilung in Geschmacksgruppen findet mit Hilfe eines ausgeklügelten Algorithmus statt, der ähnliches Konsumverhalten erkennt und entsprechend passende Empfehlungen generiert. Für das Erkennen dieser Muster werden heute meist künstliche neuronale Netze verwendet.
Die Idee der zweiten Übung (Movie Recommender) ist, den Lernenden aufzuzeigen, wie die kleinste Einheit eines solchen Netzes – ein künstliches Neuron, bzw. Perzeptron – funktioniert. Das Perzeptron berechnet aufgrund von Film-Genres als binäre Eingabedaten, die beim Lernprozess gewichtet werden, eine Zuordnung in "Like" und "Dislike".
Dispositionsziel
Wenn die Lernenden nach Abschluss der Unterrichtseinheit dem Begriff KI begegnen, können sie diesen besser einordnen. Sie wissen, dass ein "intelligentes System" sehr gut darin ist, für bestimmte Eingabemuster zugehörige Ausgabemuster zu erzeugen. Dies kann die KI deshalb gut, weil sie durch Training die Gewichte in den KNN optimiert hat.
Bei der Benutzung eines Internetdienstes, der personalisierte Empfehlungen macht, wissen die Lernenden, dass diese Empfehlungen immer genauer werden, je mehr Nutzerdaten der Dienst auswertet. Mit Hilfe dieses Wissens sind die Lernenden besser in der Lage, ihren Umgang mit persönlichen Daten zu reflektieren und entsprechende Anpassungen ihres Verhaltens vorzunehmen.
Operationalisierte Lernziele
Die Lernenden können anhand eines Beispiels erklären, wie die Qualität eines Empfehlungssystems verbessert werden kann.
Die Lernenden können erklären, was sich in einem künstlichen neuronalen Netz verändert, wenn von maschinellem Lernen gesprochen wird.
Die Lernenden erkennen, dass die Qualität der Voraussagen eines künstlichen neuronalen Netzes von den Daten abhängt, mit denen es trainiert wurde.