Apfel oder Popcorn? - Eine enaktive Einführung in KI, maschinelles Lernen und Entscheidungsbäume mit Datenkarten
{{#if:Datei:ProDaBi Logo.png|
}}
{{#if:Entscheidungsbäume| }} {{#if:Yannik Fleischer, Susanne Podworny| }} {{#if:Medium:Unterrichtsmodul Datenbewusstsein Klasse 5 und 6.zip| {{#if:Download aller Materialien zum Modul| | }} }} {{#if:| {{#if:| | }} }} {{#if:| {{#if:| | }} }} {{#if:| {{#if:| | }} }} {{#if:| {{#if:| | }} }} {{#if:| }}| Themenfeld | Entscheidungsbäume |
|---|---|
| Autor | Yannik Fleischer, Susanne Podworny |
| Editiert am | 14.4.2022 |
| Material | Download aller Materialien zum Modul |
| Material | Medium:Unterrichtsmodul Datenbewusstsein Klasse 5 und 6.zip |
| [[:|]] | |
| [[:|]] | |
| [[:|]] | |
| [[:|]] | |
| [[:|]] | |
| [[:|]] | |
| [[:|]] | |
| [[:|]] | |
| Unterseiten |
Künstliche Intelligenz spielt im alltäglichen Leben sehr vieler (junger) Menschen mittlerweile eine große Rolle. Schülerinnen und Schüler (SuS) interagieren tagtäglich mit verschiedenen Anwendungen (z.B. Social Media Plattformen, Youtube, Spotify, Amazon, Smartphone Kamera, Videospiele), die KI beinhalten. Auch in nicht so alltäglichen, aber gesellschaftlich relevanten Bereichen wie Medizin und Justiz gibt es Beispiele für die Verwendung von KI. Fast alle KI Anwendungen die jüngst entwickelt wurden basieren auf maschinellem Lernen und somit dem Verarbeiten von Daten. Gemessen daran, dass KI so allgegenwärtig ist, sind fundierte Kenntnisse über KI und maschinelles Lernen nicht sehr weit verbreitet. Es wird häufig als nicht zugänglich und fast mystisch angesehen, was zu verschiedenen Fehleinschätzungen führen kann. Um dieser Entwicklung entgegenzuwirken hat das Thema nun Platz in Kernlehrplan NRW für die KLasse 5 und 6 gefunden. Anhand dieses Unterrichtsmoduls soll Basiswissen über maschinelles Lernen am Beispiel datenbasierter Entscheidungsbäume vermittelt werden. Dabei ist das Thema altergerecht aufgearbeitet, sodass SuS am für sie relevanten Kontext Ernährung mit Datenkarten vorwiegend handlungsorientiert auf enaktiver Ebene arbeiten können, um Grundprinzipien von datenbasierten Entscheidungsbäumen und maschinellem Lernen zu verstehen.
Steckbrief des Unterrichtsmoduls
Titel: Apfel oder Popcorn? Eine enaktive Einführung in Entscheidungsbäume, maschinelles Lernen und KI mit Datenkarten
Stichworte: Data Science, KI, Maschinelles Lernen, Entscheidungsbäume, Ernährung
Zielgruppe: Informatik in Klasse 5 und 6 (alle Schulformen) - Anknüpfungen an den Biologieunterricht möglich. Wir empfehlen den Einsatz der Unterrichtsreihe in Klasse 6.
Inhaltsfeld: "Automaten und künstliche Intelligenz" (insbesondere der Schwerpunkt: Entscheidungsbäume), "Daten und Information",
Vorkenntnisse: Basiskenntnisse über Nährwertangaben sind wünschenswert, entsprechende Erklärungen könnten aber auch in diesem Modul integriert werden (Vorschlag s.u.).
Zeitlicher Umfang: 8 bis 10 Unterrichtsstunden a 45 Minuten
Überblick
In dieser Unterrichtsreihe geht es darum Schülerinnen und Schülern (SuS) eine Vorstellung von maschinellem Lernen und Künstlicher Intelligenz zu vermitteln. Dies wird anhand von datenbasierten Entscheidungsbäumen erarbeitet. Die Umsetzung in dieser Reihe basiert hauptsächlich auf unplugged Materialien, die das handlungsorientierte Lernen auf enaktiver Ebene ermöglichen. Dies wird ergänzt durch eine digitale Lernumgebung, die zum Ende der Reihe flexibel einsetzbar ist. Der ausgewählte Kontext „Lebensmittel“ ist für alle SuS relevant und insbesondere auch für jüngere SuS geeignet.
Lebensmittel kann man anhand von Nährwertangaben als “eher empfehlenswert” oder “eher nicht empfehlenswert” klassifizieren. Dabei müssen mehrere Merkmale wie Fettgehalt, Zuckergehalt und Kalorien berücksichtigt werden. Ein mehrstufiges Regelsystem, mit dem solche Klassifikationen durchgeführt werden können, sind sogenannte Entscheidungsbäume (engl. decision trees). Solche Entscheidungsbäume kann man basierend auf Daten erstellen. Mit Daten ist hier gemeint: Man geht von einer Menge von Lebensmitteln aus, zu dem Nährwertangaben bekannt sind, und zu denen man weiß, ob sie eher empfehlenswert oder nicht empfehlenswert sind. Darauf aufbauend kann man “manuell” schrittweise Entscheidungsbäume erstellen, die die Lebensmittel zunehmend fehlerfreier klassifizieren. Dieser Erstellungsprozess kann auch automatisiert werden, um nach bestimmten Kriterien optimale Entscheidungsregeln zu finden. Die Automatisierung erfordert, jedes Lebensmittel als “Datenkarte” - das ist eine Liste von Zahlenwerten zu den verschiedenen Nährwertmerkmalen - digital zu repräsentieren. Ein maschinelles Lernverfahren entwickelt zu diesen Daten einen passenden (daten-basierten) Entscheidungsbaum. In der Praxis sind neben Entscheidungsbäumen auch andere Typen von Klassifikatoren - z.B. neuronale Netze - im Gebrauch, mit darauf angepassten maschinellen Lernverfahren.
Entscheidungsbäume haben den Vorteil, dass sie als Regelsystem von SuS verstanden werden können, ebenso können die Erstellungsverfahren eines Baumes zunächst manuell erarbeitet und dann am Computer automatisiert werden. Im Unterricht werden Lebensmittel zunächst als reale Datenkarten modellhaft repräsentiert und die SuS können Karten sortieren und klassifizieren, um sich auf einer enaktiven Ebene Verfahren anzueignen. Der Anspruch ist, einen Einblick “in den Maschinenraum” des maschinellen Lernens zu gewinnen und nicht nur vorgegebene Systeme, die eine völlige Black-Box bleiben, als Klassifikatoren mit Daten zu trainieren.
In dieser Unterrichtsreihe wird in ca. 9 Unterrichtsstunden in datenbasierte Entscheidungsbäume eingeführt. Dabei steht im Vordergrund, wie ein Entscheidungsbaum aufgebaut ist und wie die passenden Entscheidungsregeln datenbasiert hergeleitet werden. Dieser systematische, datenbasierte Erstellungsprozess kann dann als eine Methode des maschinellen Lernens automatisiert erfolgen und ein resultierender Entscheidungsbaum kann als eine Form künstlicher Intelligenz bezeichnet werden. Dazu erstellen SuS manuell mit Hilfe von Datenkarten (siehe Abb. 1) eigene Entscheidungsbäume, um zu verstehen, erstens wie ein Entscheidungsbaum als Regelsystem aufgebaut ist, und zweitens wie man systematisch bei der Konstruktion vorgehen kann, um Entscheidungsbäume mit möglichst geringer Fehlklassifikationsanzahl zu erhalten. Ergänzend gibt es eine vorbereitete digitale Lernumgebung, in der SuS Entscheidungsbäume automatisiert erstellen können. Dabei lernen sie etwas über Künstliche Intelligenz und maschinelles Lernen. Sie Lernen Entscheidungsbäume als gewinnbringende Repräsentation von Daten kennen, mit deren Hilfe Erkenntnisse gewonnen und Vorhersagen getroffen werden können, bei deren Anwendung aber auch Fehler passieren können.
Auf fachlicher Basis der deutschen Gesellschaft für Ernährung (DGE) wird das Thema Ernährung aufgegriffen, welches in der Sekundarstufe I behandelt werden sollte, aber aktuell in den Lehrplänen der verschiedenen Fächer unterrepräsentiert ist. Auf diese Weise wird das Thema maschinelles Lernen mit einem bildungsrelevanten Sachthema verknüpft. Der Kontext ist nicht typische für den Bereich KI und maschinelles Lernen, eignet sich aber für die Anbindung an die Erfahrungswelt aller SuS (unabhängig von Alter, Geschlecht, etc.). Es gibt dazu Verknüpfungsmöglichkeiten z. B. zum Biologieunterricht und die Behandlung des Kontextes kann einen Beitrag zu allgemeinbildendem Unterricht darstellen.
Leitfragen des Moduls
- Wie kann man anhand der Nährwertangaben einen Entscheidungsbaum konstruieren, der die Beurteilung unterstützt, ob ein Lebensmittel eher empfehlenswert oder eher nicht empfehlenswert ist?
- Wie kann man einen Entscheidungsbaum für dieses Problem automatisiert (durch maschinelles Lernen) erstellen lassen?
Ziele des Moduls
Bezogen auf Datenkarten Entscheidungsbäume:
Die SuS...
- begreifen einen Entscheidungsbaum als Regelsystem, das zum Klassifizieren von Objekten genutzt werden kann.
- verstehen eine Datenkarte als Repräsentation eines Objekts, auf dem die Ausprägungen verschiedener Merkmale dieses Objekts erfasst sind.
- wenden einen Entscheidungsbaum an, um neue Objekte zu klassifizieren.
- erstellen Entscheidungsregeln zum Klassifizieren von Objekten hinsichtlich eines (Ziel-)Merkmals systematisch basierend auf Daten (in Form einer Sammlung von Datenkarten), d. h. basierend auf den Ausprägungen anderer (Prädiktor-)Merkmale der Objekte.
- präsentieren und reflektieren eigene Entscheidungsbäume angemessen.
- verstehen die Rolle von Daten als Grundlage für die Erstellung von Entscheidungsbäumen.
- verstehen, dass Entscheidungsbäume Prognosen liefern sollen (Klassifikationen neuer Objekte) und deshalb mit neuen Daten getestet werden müssen und dass dabei Fehler in Form falscher Prognosen auftreten können.
- bewerten Entscheidungsbäume anhand der Anzahl falsch klassifizierter Objekte in einem Datensatz.
- beschreiben anhand ihrer manuellen Erfahrungen mit Datenkarten, wie ein Computer Entscheidungsbäume automatisiert erstellen kann und identifizieren diesen Vorgang als maschinelles Lernen.
Bezogen auf den Inhalt Lebensmittel:
Die SuS...
- lernen die Bedeutung einzelner Nährwertangaben (Merkmale) bei Lebensmitteln und ihre Relevanz für die Qualitätsbewertung von Lebensmitteln kennen.
- leiten aus den gegebenen Nährwertdaten ein Regelsystem ab, das Prognosen darüber trifft , ob ein (neues) Lebensmittel eher empfehlenswert oder eher nicht empfehlenswert ist.
Material und Umgang damit
Das Thema KI und Entscheidungsbäume wird in diesem Unterrichtsvorschlag anhand des Themas Lebensmittel erarbeitet, das die Schülerinnen und Schüler aus ihrer Lebenswelt kennen. Dabei wird ein Kartenspiel mit entsprechenden Datenkarten genutzt, um Entscheidungsbäume zunächst unplugged, enaktiv und altersgerecht zu behandeln.
Mit einem Spielkartensatz zu Lebensmitteln wird anhand der „Big 7“ der Nährstoffe (Energie, Fett, gesättigte Fettsäuren, Eiweiß, Kohlenhydrate, Zucker, Salz) ein Regelsystem mit der Methode der datenbasierten Entscheidungsbäume erarbeitet.
Man bezeichnet dabei das Merkmal, für das eine Klassifikation erstellt werden soll, als Zielmerkmal und die übrigen Merkmale (hier Nährstoffe), mit deren Hilfe Regeln aufgestellt werden, als Prädiktormerkmale.
Mithilfe von Spielkarten wie in Abb. 1 über Lebensmittel mit den zugehörigen Nährwertangaben (pro 100 g) erarbeiten SuS von Hand nach und nach erst einstufige, später zwei- oder mehrstufige Entscheidungsbäume. Diese Entscheidungsbäume werden mit Testkarten validiert. Das dabei aufgebaute Wissen wird genutzt, um zu verstehen, wie Entscheidungsbäume als Regelsysteme basierend auf Daten (systematisch) erstellt und anschließend genutzt werden können. Das dabei angewandte Vorgehen kann in Grundzügen auf das maschinelle Lernen (wie es ein Computer macht) übertragen werden. In der letzten Unterrichtsstunde wird ein Entscheidungsbaum automatisch durch den Computer mit Hilfe eines Jupyter Notebooks generiert und in der Klasse diskutiert (optional durch die SuS selbst oder in einer Präsentation durch die Lehrkraft).
Material
- 55 Karten, davon
- 40 Trainingskarten (blau),
- 15 Testkarten (gelb)
- 50 grüne und 50 rote Büroklammern zum Labeln
- 11 Arbeitsblätter
- 4 PowerPoint Präsentationen als Grundlage für Plenumsphasen im Unterricht
- 1 digitale menübasierte Lernumgebung in einem Jupyter Notebook
Die blauen Trainingskarten werden verwendet, um die Entscheidungsbäume unplugged zu erarbeiten. In einem ersten Schritt werden die Karten mit Unterstützung durch die Ernährungspyramide der Deutschen Gesellschaft für Ernährung (DGE) gelabelt. Eher empfehlenswerte Lebensmittelkarten bekommen eine grüne Büroklammer angeheftet, eher nicht empfehlenswerte Lebensmittel bekommen eine rote Büroklammer.
Schülerinnen und Schüler vergeben zunächst die Label für die Lebensmittel als “eher empfehlenswert” oder “eher nicht empfehlenswert” in Partnerarbeit. Anschließend wird dies im Plenum diskutiert und ein einheitlicher Konsens getroffen, sodass nach der Diskussion alle Schülerinnen und Schüler einen Kartensatz mit identischen Labeln vorliegen haben. Beim Labeln können zudem 10 Karten ausgewählt werden, bei denen Uneinigkeit für das Klassifizieren herrscht. Es ist günstig etwa 10 Karten auszusortieren, da das Arbeiten später mit maximal 30 Karten angenehmer ist. Diese Karten bleiben ohne Büroklammer und können später mithilfe der fertigen Bäume klassifiziert werden. Durch das Labeln entstehen Modelle der Realität, die möglicherweise von der Realität abweichen.
Wir empfehlen den Einsatz der Unterrichtsreihe in Klasse 6.
Differenzierung: Eine vereinfachte und funktionierende Variante des Kartendatensatzes stellt die Variante „Lebensmittel light“ dar. Dieser vereinfachte Datensatz enthält 22 Trainingskarten (blau) und 10 Testkarten (gelb) mit jeweils ganzzahligen Werten.
Unterrichtsverlauf
Auf den folgenden Seiten wird ein möglicher Unterrichtsverlauf beschrieben. Eine U-Stunde ist dabei mit 45 Minuten geplant. Aus Sicht der Autorinnen und Autoren dieser Reihe hat es sich in zahlreichen Erprobungen als sinnvoll herausgestellt, die Reihe im Ganzen durchzuführen. Sollte jedoch Zeitknappheit herrschen, ist es möglich, die als optional gekennzeichneten (graue Schrift) Stunden verkürzt zu unterrichten.
Kurzübersicht zur Unterrichtsreihe
| Phase | Thema | Inhalt |
| 1
1 U.-Std. |
Einführung in den Kontext KI und Formulierung der
Leitfrage |
In dieser Phase wird als Einstieg ein fertiges KI-System (Google QuickDraw) exploriert. Dabei werden Vorkenntnisse aktiviert und erste Erkenntnisse über KI-Systeme und maschinelles Lernen gewonnen. Ziel ist es Klassifizieren von Objekten als eine Anwendung von KI einzuführen und zu erarbeiten, dass dies durch (überwachtes) maschinelles Lernen möglich ist, das auf Daten basiert. Abschließend wird als eine Leitfrage der Unterrichtsreihe die Frage aufgeworfen, wie maschinelles Lernen basierend auf Daten funktionieren kann. |
| 2
1 U.-Std. |
Exkurs: Lebensmittel | In dieser Stunde erfolgt ein Einstieg in den Datenbegriff und das Thema Lebensmittel. Dazu wird die Bedeutung verschiedener Nährstoffe thematisiert. Verschiedene Lebensmittel können durch Datenkartne repräsentiert werden. Nährwertangaben als Ausprägungen von Merkmalen von Lebensmitteln aufgefasst und somit als als Daten interpretiert die jeweils ein Lebensmittel modellieren. |
| 3
1 U.-Std. |
Vorbereiten der Daten: Datenkarten mit Labeln versehen | Die zu entwickelnde künstliche Intelligenz soll später basierend auf Nährwertangaben vorschlagen, ob ein Lebensmittel eher empfehlenswert oder eher nicht empfehlenswert ist. Wenn ein KI-System mit maschinellem Lernen erstellt wird, dann werden dafür Beispiele für eher empfehlenswerte oder eher nicht empfehlenswerte Lebensmittel benötigt. In dieser Stunde werden solche Beispiele in Form von Daten mit Hilfe der Datenkarten hergestellt. |
| 4
1 U.-Std. |
Einführung in das Aufstellen datenbasierter Entscheidungsregeln | Ziel innerhalb der Unterrichtsreihe ist es, ein mehrstufiges Regelsystem zur Klassifikation von Lebensmitteln zu erstellen. Dafür lernen die SuS in dieser Stunde zunächst Entscheidungsregeln (einstufige Entscheidunsgbäume) aus den Daten abzuleiten. Dies wird mit dem Konzept des Datensplits umgesetzt, das in dieser Stunde eingeführt wird. Dabei werden die Datenkarten anhand eines Merkmals und eines sogenannten Schwellenwerts in zwei Teilgruppen aufgeteilt (z.B. Lebensmittel mit bis zu 10 g Fett und über 10 g Fett). Die Entscheidungsregeln werden in dieser Stunde exemplarisch mit Hilfe des Merkmals Energie erstellt. |
| 5
2 U.-Std. |
Erstellen einstufiger Entscheidungsbäume | Die SuS wissen nun, wie man eine Entscheidungsregel aufstellen kann. Bisher wurden aber nur ein Merkmal und drei Schwellenwerte ausprobiert. Um den resultierenden Entscheidungsbaum zu verbessern und noch mehr Lebensmittelkarten richtig zu klassifizieren, wird in dieser Stunde erarbeitet, wie man systematisch nach guten Entscheidungsregeln suchen kann. Dabei werden verschiedene Merkmale einbezogen und ein strategisches Vorgehen beim Suchen des Schwellenwertes erarbeitet. |
| 6
1 U.-Std. |
Erstellen mehrstufiger Entscheidungsbäume | Nachdem die SuS systematisch nach guten Entscheidungsregeln gesucht haben, ist zu erkennen, dass man mit einer Entscheidungsregel nicht alle Lebensmittel korrekt klassifizieren kann. Es wird offensichtlich, dass man ein mehrstufiges Regelsystem benötigt. Deshalb werden in dieser Stunde basierend auf der ersten Regel weitere Merkmale einbezogen, um Entscheidungsregeln in der zweiten Stufe des Baums zu erstellen. Je nachdem wie schnell die SuS arbeiten, können sie zwei- oder mehrstufige Entscheidungsbäume erstellen.
|
| 7
1 U.-Std. |
Testen von Entscheidungsbäumen
mit neuen Daten |
Nachdem verschiedene Gruppen von SuS unterschiedliche Entscheidungsbäume erstellt haben, werden diese Bäume auf neue Lebensmittel angewendet, die die SuS auf Blankokarten selbst mitgebracht haben. Die selbst mitgebrachten Lebensmittel werden mit allen Bäumen klassifiziert. Dadurch wird offensichtlich, dass in den Entscheidungsbäumen auch Unsicherheiten stecken, da einige Lebensmittel falsch klassifiziert werden. Um die Unsicherheiten in Entscheidungsbäumen systematisch weiter zu untersuchen, testet jede Gruppe ihren Entscheidungsbaum mit den 15 Testkarten, die im Katenspiel als gelbe Karten gekennzeichnet sind. So wird es möglich, die Performance der Entscheidungsbäume miteinander zu vergleichen. |
| 8
1 U.-Std. |
Automatisiertes Erstellen von Entscheidungs-bäumen mit dem Computer | Nachdem die SuS den Erstellungsprozess eines Entscheidungsbaums kennengelernt und manuell durchlaufen haben, wird in dieser Stunde im eigentlichen Sinne des maschinellen Lernens ein Entscheidungsbaum automatisch mit Hilfe eines Computers erstellt. In einer vorbereiteten menübasierten digitalen Lernumgebung (basierend auf Jupyter Notebook), die per Link erreichbar ist, können die SuS selbst mit Entscheidungsbäumen arbeiten oder die Lehrkraft kann den Prozess demonstrieren. Die Lernumgebung ist weitgehend selbsterklärend und erfordert keine Programmierkenntnisse. Es ist möglich per Knopfdruck Einfluss auf die Daten zu nehmen und einen Entscheidungsbaum basierend auf den Daten erstellen lassen. Dies ermöglicht auch die Daten zu verändern und die Auswirkungen auf den Entscheidungsbaum zu untersuchen. |
| 9
1 U.-Std. |
Reflexion | Abschließend wird noch einmal reflektiert, wie mit Hilfe des Computers aus Daten Entscheidungsbäume erstellt werden, welche Vor- und Nachteile dies hat und wo die SuS solche Entscheidungsmodelle in ihrem Alltag wiederfinden. |
Ausführliche Beschreibung des Unterrichtsverlaufs:
| Phase | Inhalt | Ziele | Material |
| 1
|
Einführung in den Kontext KI und Problematisierung
Motivation: In dieser Phase wird als Einstieg ein fertiges KI-System exploriert. Dabei werden Vorkenntnisse aktiviert und erste Erkenntnisse über KI-Systeme und maschinelles Lernen gewonnen.
Die SuS probieren Google Quick Draw (https://quickdraw.withgoogle.com/) als ein fertiges KI-Systems aus. Die Webseite ist nach Aufrufen des Links selbsterklärend. Alle Schülerinnen und Schüler probieren Google Quick Draw aus – jede:r malt 10 Objekte, die automatisch von der Software vorgegeben werden. Die KI erkennt diese Objekte, wenn sie passend gezeichnet werden. Anschließend wird automatisch eine Übersicht angezeigt, was erkannt bzw. nicht erkannt wurde. Außerdem werden einige Beispiele gezeigt, die andere Personen zum gleichen Objekt gemalt haben, um die Datenbasis zu veranschaulichen, auf deren Grundlage die gemalten objekte erkannt wurden.
An der vorherigen Aktivität kann diskutiert werden, dass ein KI bestimmte Objekte einer Klasse zuordnen kann. Dafür wird vorher aber eine passende Datenbasis benötigt, um bestimmte Objekte einer “Klasse” zu erkennen. Dazu benötigt man für jede Klasse digital repräsentierte Beispiele mit dem passenden Label. Google Quick Draw ist schon anhand sehr vieler Beispiele ‘vorgelernt’, daher sieht man hier Klassifikationen mit nur wenigen Fehlern. Eine untrainierte KI würde am Anfang viele Fehler machen. Im folgenden wird die Leitfrage der Unterrichtsreihe aufgeworfen: Damit durch maschinelles Lernen eine KI zum Klassifizieren erstellt werden kann, müssen zunächst Beispiele geliefert werden. Ein Beispiel ist jeweils ein Objekt, das durch bestimmte Merkmale beschrieben wird und mit einem Label versehen ist, das die Zugehörigkeit zu einer “Klasse” kennzeichnet. Aber wie genau funktioniert dieses maschinelle Lernen? Dies wird in den folgenden Stunden an der Methode Entscheidungsbäume thematisiert. “Es ist erstaunlich, wie ein Computer "lernen" kann Objekte zuzuordnen, allerdings ist es mysteriös, wie dieser Lernprozess funktioniert. Dem gehen wir in den folgenden Stunden nach.”
Schön aufbereitetes Video, das Bilderkennung vertieft: https://www.youtube.com/watch?v=HmUzceKCI9I&list=PL4puIg9yEU6yn_XR0TiSLroYO3KAlZmYY&t=1s Mit Hilfe von KI-Systemen können u. A. Bilder klassifiziert werden, zum Beispiel, ob ein Hund oder eine Katze zu sehen ist. Maschinelles Lernen ermöglicht das Erstellen solcher KI-Systeme auf der Basis von Trainingsdaten mit Hunde und Katzenbildern. Mögliche Metapher: Man kann gewisse Parallelen zwischen maschinellem Lernen und dem Lernprozess kleiner Kinder erkennen. Kinder lernen dadurch, dass wir ihnen Objekte zeigen, die Namen dazu sagen und alles so lange wiederholen, bis sie Hunde von Katzen unterscheiden können. Z. B. wird bei der Begegnung von Hunden „Hund“ und bei Katzen „Katze“ von Erwachsenen oft genug gesagt, so dass das Kind irgendwann lernt, was eine Katze ist und was ein Hund. Durch Vorsagen und Korrektur. Das Vorgeben von Beispielen und der passenden Lösung wird auch beim maschinellen Lernen genutzt. Die Beispiele werden als Daten gespeichert (z. B. Fotos von Hunden bzw. Katzen) und mit einem passenden Label versehen, das die richtige Lösung enthält.
Hintergrundinformationen Bei dieser Form des maschinellen Lernens (überwachtes Lernen) zur Klassifikation von Objekten wird wie folgt vorgegangen. Es werden verschiedene Beispielobjekte erfasst und mit Labeln gekennzeichnet. Ein Label ist ein Etikett, das anzeigt welcher Klasse dieses Beispiel angehört. Z. B. erhalten Fotos von Katzen das Label „Katze“ und die von Hunden das Label „Hund“, je nachdem was auf dem Bild erkannt werden soll. Jedes Foto hat außerdem verschiedene, digital repräsentierte Eigenschaften, die durch Merkmale beschrieben werden und verschieden ausgeprägt sein können. (Anmerkung: Die Eigenschaften, die ein Mensch einem Foto zuweist, unterscheiden sich von den digitalen Merkmalen. Ein Foto besitzt Merkmale, wie z.B. Farbwerte einzelner Pixel, die in einem mL-Prozess zum Erstellen eines Regelsystems genutzt werden. Vereinfachend sprechen wir mit Schülerinnen und Schülern nur von “dem“ Foto). Durch maschinelles Lernen wird anhand der Merkmale der Objekte ein Regelsystem erstellt, das die Objekte den passenden, vorgegebenen Labeln zuordnet. Ein solch fertiges Regelsystem bezeichnet man als KI oder KI-System. Einen automatisierten Erstellungsprozess der KI nennt man dann maschinelles Lernen. Begriffe: KI, Machinelles Lernen, Objekt, Klasse, Label, Merkmal |
|
Präsentation 1 |
| 2
|
Exkurs: Lebensmittel und Nährwertangaben als Daten
Motivation: Es existiert ein Ampelsystem für Ernährung, zum Beispiel im Supermarkt (diese basieren i. d. R. nicht auf maschinellem Lernen) – Ein Ziel innerhalb der Unterrichtsreihe ist es ein ähnliches Regelsystem mit Methoden des maschinellen Lernens zu erstellen. In dieser Stunde erfolgt dafür ein Einstieg in den Datenbegriff und das Thema Lebensmittel. Dazu begreifen wir Nährwertangaben als Ausprägung von Merkmalen von Lebensmitteln. Die Ausprägungen der Merkmale sind für einzelne Lebensmittel als Zahlen erfasst worden. Grundlage dafür, ob ein Lebensmittel “empfehlenswert” ist, kann zum Beispiel die Ernährungspyramide der DGE sein.
- Verschiedene Lebensmittel(-verpackungen) präsentieren (Knäckebrot, Chips, Gummibärchen, Salami, etc.) „Welche Daten findet ihr hier?“ - Dann: „Welche Rolle können Daten für unsere Ernährung spielen?“ - Optionaler Input: Nährstoffgruppen: Man braucht verschiedene Nährstoffgruppen, am besten täglich, Bezug zur Ernährungspyramide. Hier vor allem Kohlenhydrate, Eiweiß, Fett, Ballaststoffe, Salz, Zucker, Was ist worin enthalten, wovon sollte man eher viel oder eher weniger essen? - Warum stehen diese Daten auf allen Lebensmittelverpackungen? Material 3D Ernährungspyramide: https://www.dge.de/fileadmin/public/doc/fs/3dlmp/200714-DGE-Arbeitsblaetter-03-formular.pdf
|
|
Verpackte Lebensmittel mit Nährwertangaben
|
| 3
|
Vorbereiten der Daten: Datenkarten mit Labeln versehen
Motivation Die zu entwickelnde künstliche Intelligenz soll später basierend auf Nährwertangaben vorschlagen, ob ein Lebensmittel eher empfehlenswert oder eher nicht empfehlenswert ist. Wenn ein KI-System mit maschinellem Lernen erstellt wird, dann werden dafür Beispiele benötigt repräsentiert als Trainingsdaten. Ein Beispiel ist jeweils ein Objekt (Lebensmittel), das durch bestimmte Merkmale (Nährstoffe) beschrieben wird und mit einem Label („eher empfehlenswert“ oder „eher nicht empfehlenswert“) versehen ist. Eine Sammlung und Darstellung solcher Beispiele bezeichnen wir als Daten. In dieser Stunde werden solche Beispiele in Form von Daten mit Hilfe der Datenkarten hergestellt.
Die SuS modellieren den Datensatz mit dem später gearbeitet wird, um basierend darauf Entscheidungsbäume zu erstellen. Dafür vergeben sie zunächst in Partnerarbeit die Label „eher empfehlenswert“ oder „eher nicht empfehlenswert“ für alle blauen Datenkarten (blaue Karten = Trainingsdaten). Dabei können sich die SuS an der Lebensmittelpyramide und an ihrem Alltagswissen über Lebensmittel orientieren (jeweils 2 SuS haben ein Arbeitsblatt 2 zur Verfügung). Anschließend werden die Label im Klassenverband diskutiert, um sich zu einigen.
Es wird ein allgemeinen Konsens hergestellt, welche Nahrungsmittel welches Label erhält. Zwei Möglichkeiten:
Alle Karten werden gemeinsam durchgegangen um gemeinsam die Label an die Karten zu heften. Dafür wird entweder Live übder das Label angestimmt oder es wird basierend auf der vorher durchgeführten Onlineumfrage gemacht. Ablauf:
Leitung der Diskussion: Die Lehrkraft kann die Diskussionen im Plenum moderieren und ggf. bei groben Fehleinschätzungen (z.B. Gurke als “eher nicht empfehlens-wert”) eingreifen. Eine Orientierung liefert die Datei Rumpfdatensatz_28.csv, in der die besonders eindeutig zuzuordnenden Lebensmittel zu finden sind. Einzelne Abweichungen von diesem Vorschlag sind aber nicht weiter schlimm, d.h. die Diskussion muss nicht strikt geleitet werden. In vielen Unterrichtserprobungen hat sich gezeigt, dass per Mehrheitsvotum der Großteil der Lebensmittel wie im Vorschlag zugeordnet wird. Zur Weiterarbeit empfehlen sich ca. 30 Karten mit Label (etwa 10 beiseite legen). Die Karten aus Rumpfdatensatz_28.csv sollten größtenteils enthalten sein, um in der Weiterarbeit gute Ergebnisse zu erzielen.
|
Labeln von Lebensmittelkarten = Modellierung der Realität Maschinellen Lernprozess vorbereiten durch Herstellen eines geeigneten einheitlichen Trainingsdatensatzes |
(in Farbe ausdrucken!)
Rumpfdatensatz
|
| 4 | Erarbeitung: Aufstellen einer datenbasierten Entscheidungsregel
Motivation: Ziel innerhalb der Unterrichtsreihe ist es, ein mehrstufiges Regelsystem zur Klassifikation von Lebensmitteln zu erstellen. Dafür lernen die SuS in dieser Stunde zunächst Entscheidungsregeln (einstufige Entscheidunsgbäume) aus den Daten abzuleiten. Dies wird mit dem Konzept des Datensplits umgesetzt, das in dieser Stunde eingeführt wird. Dabei werden die Datenkarten anhand eines Merkmals und eines sogenannten Schwellenwerts in zwei Teilgruppen aufgeteilt (z.B. Lebensmittel mit bis zu 10 g Fett und über 10 g Fett). In beiden Teilgruppen wird dann geschaut, ob die Mehrheit eher empfehlenswert oder eher nicht empfehlenswert ist. Wenn in den Teilgruppen unterschiedliche Label zu finden sind (was in den allermeisten Fällen so ist), gibt es in beiden Teilgruppen Lebensmittel, die von der Mehrheits-entscheidung abweichen. Diese werden als Fehler oder Fehlklassifikationen bezeichnet. Es gilt deshalb den Schwellenwert zu finden, der möglichst wenige Fehler hervorbringt (Anzahl der Fehlklassifikationen). Die Entscheidungsregeln werden in dieser Stunde exemplarisch mit Hilfe des Merkmals Energie erstellt.
Anahnd von Präsentation 2 kann die Zielstellung beim Formulieren einer Entscheidungsregel erarbeitet werden. Der Optimalfall (Zeilstellung) liegt vor, wenn man einen Schwellenwert findet, sodass auf einer Seite des Schwellenwerts möglichst nur eher nicht empfehlenswerte Lebensmittel zu finden sind und auf der anderen Seite nur eher empfehlenswerte. Eine solch "perfekte" Regel, mit der man von den vorliegenden Trainingsdaten kein Lebensmikttel falsch klassifiziert, findet man meistens nicht, aber man versucht möglichst nah dran zu kommen, sodass möglichst wenige Lebensmittel falsch klassifiziert werden.
Lebendige Statistik durchführen, um das bilden von Datensplits und das vergleichen von Schwellenwerten zu thematisieren:
Man kann aufgrund der begrenzten Anzahl an SuS meist nicht alle Karten für die lebendige Statistik verwenden. Man sollte dabei darauf achten, dass keine ungünstigen Stichproben der Karten genutzt werden. Manche Stichproben vereinfachen das Problem zu stark, sodass man zu schnell perfekte Regeln findet. Wir schlagen dafür einen Rumpfdatensatz vor, mit dem die Phase gut durchgeführt werden kann. Vorschläge für Rumpfdatensätze verschiedener Größe finden sich in den Dateien „Rumpfdatensatz_22.csv“ und „Rumpfdatensatz_28.csv“. Leichte Abweichungen von den Rumpfdatensätzen sind kein Problem.
Zur Aktivität
Ausblick maschinelles Lernen- Kann ein Computer das auch?:
|
Datenbasiert Entscheidungsregeln aufstellen
|
Präsentation 2
(in einer Variante für 22 oder 28 SuS)
|
| 5
|
Erstellen einstufiger Entscheidungsbäume
Motivation: Die SuS wissen nun, wie man eine Entscheidungsregel aufstellen kann. Bisher wurden aber nur ein Merkmal und drei Schwellenwerte ausprobiert. Um den resultierenden Entscheidungsbaum zu verbessern und noch mehr Lebensmittelkarten richtig zu klassifizieren, wird in dieser Stunde erarbeitet, wie man systematisch nach guten Entscheidungsregeln suchen kann. Dafür wird ein strategisches Vorgehen beim Suchen des Schwellenwertes erarbeitet. Anschließend werden die verschiedenen Merkmale auf unterschiedliche Gruppen verteilt um als Klassenverband für alle Merkmale verschiedene Entscheidungsregeln aufzustellen und zu vergleichen.
Die Lineal-/Bleistiftmethode kann zunächst im Plenum basierend auf Präsenation 3 erarbeitet werden. Dabei kann man schon Strategiehinweise geben wie man einen Schwellenwert nach Augenmaß wählen kann. Anhand von Arbeitblatt 4 kann dies dann in Einzelarbeit eingeübt werden, um die Methode danach in Kleingruppen mit den Datenkarten anzuwenden.
Neben den Ergebnissen der SuS sollte auf folgende Aspekte Wert gelegt werden:
Jede Zweiergruppe arbeitet mit ihrem Kartensatz und bekommt ein Merkmal zugeteilt, für das eine Entscheidungsregel gesucht wird. Alle Merkmalen sollten an mindstens eine Gruppe vergeben werden, um im Nachhinein auch die verschiedenen Merkmale vergleichen zu können. Es sollen sollen mehrere Schwellenwerte in Betracht gezogen werden und es soll begründet der beste Schwellenwert unter den in Betracht gezogenen ausgewählt werden. Um die global beste Entscheidungsregel zu finden, müssten sehr viele verschiedene Schwellwerte ausprobiert werden, was sehr mühsam und daher für die SuS wenig praktikabel ist (ein Computer geht allerdings so vor). Besprechung Findet für euer Merkmal einen Schwellenwert, bei dem möglichst viele Karten richtig klassifiziert werden, indem ihr verschiedene Schwellenwerte ausprobiert und denjenigen wählt, bei dem am wenigstens Fehlklassifikationen auftreten.!“
Das Sortieren der Karten im Hinblick auf ein ausgewähltes Merkmal ist ein zentrales Element zum Finden eines guten Schwellenwerts, weil auf diese Weise schnell ein guter Überblick über die Verteilung gewonnen werden kann. Man erkennt schnell, wie viele Lebensmittel über und unter dem Schwellenwert als empfehlenswert bzw. nicht empfehlenswert gekennzeichnet sind. Nur so ist es möglich, per Augenmaß einen günstigen Schwellenwert zu finden. Andernfalls bleibt nur das Ausprobieren von zufälligen Werten. Dies ist nur für das manuelle Suchen von Schwellenwerten wichtig und sollte deshalb als Strategie im Unterricht zentral thematisiert werden. Ein Computer probiert einfach alle in Frage kommenden Schwellenwerte aus, da er nicht über Augenmaß verfügt. Dazu ist es wichtig, von Anfang an die Anzahl der falsch klassifizierten Karten zu notieren. Bei dieser Anzahl der falsch klassifizierten Karten handelt es sich um das Kriterium, mit dem verschiedene Schwellenwerte im Hinblick auf ihre Güte miteinander verglichen werden können. |
Heuristik zum finden von Entscheidungsregeln verstehen (Linealmethode + Schwellenwert per Augenmaß)
Anzahl der falsch klassifizierten Karten als Gütekriterium für eine Entscheidungsregel nutzen
Datenkarten nach einem Merkmal aufsteigend sortieren
|
Arbeitsblatt 4
Arbeitsblatt 5
|
| 6
|
Erstellen mehrstufiger Entscheidungsbäume
Motivation: Nachdem die SuS systematisch nach guten Entscheidungsregeln gesucht haben, ist zu erkennen, dass man mit einer Entscheidungsregel allein nicht alle Lebensmittel korrekt klassifizieren kann. Es wird offensichtlich, dass man ein mehrstufiges Regelsystem benötigt. Deshalb werden in dieser Stunde basierend auf der ersten Regel weitere Merkmale einbezogen, um Entscheidungsregeln in der zweiten Stufe des Baums zu erstellen. Je nachdem wie schnell die SuS arbeiten, können sie zwei- oder mehrstufige Entscheidungsbäume erstellen.
Beim Erstellen eines mehrstufigen Entscheidungsbaums geht es darum, dass weitere Regeln erstellt werden, die hierarchisch auf die erste Regel folgen, um die Anzahl der falschen Klassifikation sukzessive zu verringern. Die weiteren Regeln werden basierend auf den Teildatensätzen erstellt, die durch die erste Entscheidungsregel entstanden sind. So wird in jedem Ast des Baums mit einem anderen Teildatensatz weitergearbeitet, um weitere Entscheidungsregeln aufzustellen. Im Unterricht muss explizit darauf geachtet werden, dass jeweils nur mit den Karten einer Teilgruppe weitergearbeitet wird, wenn ein weiterer Split erstellt wird. Ein typischer SuS-Fehler ist es, mit allen Karten in einem Ast weiterzuarbeiten, obwohl nur mit einer Teilgruppe gearbeitet werden darf.
Es ist wichtig den SuS zu verdeutlichen, dass nur mit einem Teildatensatz weitergearbeitet werden darf in der nächsten Stufe des naums. Das kann entweder im Plenum besprochen werden oder optional durch eine weitere Aktivität in der lebendigen Statistik veranschaulicht werden. Zur Besprechung im Plenum kann die beigelegte Lehrpräsentation „Präsentation3_Zweiter_Datensplit“ genutzt werden. Dort kann man auch die Dokumentation eines mehrstufigen Baums gemäß Arbeitsblatt 6 vorbesprechen.
In zweiter Stufe das Merkmal Eiweiß (oder Zucker) ausprobieren. Vorgehen: · Jeder Schüler nimmt wieder eine Datenkarte · Noch einmal bezüglich Energie und dem gewählten Schwellenwert in zwei Schülergruppen (Teildatensätze) aufteilen · „In der Gruppe mit der höheren Kalorienanzahl befinden sich jetzt noch sowohl eher empfehlenswerte als auch eher nicht empfehlenswerte Lebensmittel. Diese wollen wir jetzt noch besser klassifizieren, indem wir einen weiteren Split durchführen.“ Dazu: Jetzt in der Gruppe (Teildatensatz) mit der Kalorienanzahl über dem Schwellenwert einen weiteren Datensplit durchführen (z.B. eignet sich das Merkmal Eiweiß mit Schwellenwert 11 g) · Explizit darauf hinweisen, dass nur mit einem Teildatensatz gearbeitet wurde für den zweiten Datensplit · Fazit: Jetzt sind wir näher dran am ‚perfekten‘ Baum
An der Tafel dokumentieren: Ergebnis: Tafelbild mit Baumdiagramm wie auf AB5 (Achtung, dieser fertige Baum wird später noch benötigt, also dauerhaft konservieren, z.B. auf Plakat).
Wieder in Partnerarbeit: Basierend auf den Entscheidungsregeln, die in Phase 5 erarbeitet wurden, folgt nun die zweite Stufe des Entscheidungsbaums für jede Gruppe. Jede Gruppe wählt hierzu frei ein weiteres Merkmal und probiert dies aus auf Spielplan Teil 2. 1. Beide Teildatensätze aus dem Ersten Datensplit passend auf dem Spielplan Teil 1 ablegen 2. Jetzt die erste Teilgruppe nehmen (z.B. linken Teilkartenstapel, NICHT alle Karten) und nach einem weiteren Merkmal die Karten aufsteigend auf dem Tisch ordnen (Merkmal frei ausprobieren). Die nicht genutzten Karten können so lange auf dem Spielplan verwahrt werden. 3. Einen Schwellenwert mit der „Linealmethode” finden und die Karten auf dem Spielplan Teil 2 ablegen 4. Jetzt die zweite Teilgruppe nehmen (NICHT alle Karten) und ggf. ein anderes oder das gleiche Merkmal wie in 2. nehmen 5. Einen Schwellenwert mit der Linealmethode für die zweite Teilgruppe finden (kann der gleiche oder ein anderer Wert sein wie in 3.) und auf dem Spielplan Teil 2 auslegen 6. Den fertigen Baum auf AB 5 dokumentieren
· Weitere Merkmale im zweiten Split ausprobieren · Dritte Stufe möglich machen (Hierfür kann Spielplan Teil 2 genutzt werden, indem „einzelne Datensplits” durch Zerschneiden von Spielplan Teil 2 ausgelegt werden) · Optional: Entscheidungsregeln formulieren (AB 6)
Jede Gruppe stellt ihren Baum vor: 1. Welche Merkmale wurden benutzt? Und welche Schwellenwerte? 2. Wörtlich die Entscheidungsregeln formulieren 3. Wie viele Lebensmittel wurden damit richtig klassifiziert?
4. Welcher Baum hat die meisten Lebensmittel richtig klassifiziert?
· Nun haben wir weitere Entscheidungsregel(n) gefunden, diese sind mehrstufig. · Für ein Merkmal haben wir ausprobiert/herausgefunden, wie wir eine Entscheidungsregel begründet auswählen. · Wenn ein Entscheidungsbaum automatisiert durch den Computer erstellt wird, so werden alle Schwellenwerte ausprobiert und die beste Regel ganz schnell gefunden und alle Merkmale ausprobiert.
Jeder füllt eine Blankokarte (Arbeitsblatt 8 vorher passend zurechtschneiden) für ein Lebensmittel zu Hause aus. Diese soll in der nächsten Stunde mit den erstellten Bäumen klassifiziert werden.
|
Mehrstufige Entscheidungsregeln als Baumstruktur erkennen
|
Spielplan Teil 2 Arbeitsblatt 6
AB 6 einsammeln oder aufhängen
Arbeitsblatt 7 (opt.) Arbeitsblatt 8 |
| 7a
|
Testen verschiedener Entscheidungsbäume anhand einer neuen Lebensmittelkarte
Motivation: Nachdem verschiedene Gruppen von SuS unterschiedliche Entscheidungsbäume erstellt haben, werden diese Bäume auf neue Lebensmittel angewendet, die die SuS auf Blankokarten selbst mitgebracht haben. Die selbst mitgebrachten Lebensmittel werden mit allen Bäumen klassifiziert. Dadurch wird offensichtlich, dass in den Entscheidungsbäumen auch Unsicherheiten stecken, da einige Lebensmittel falsch klassifiziert werden.
Die Bäume (als ausgefüllte AB 6 aus der verherigen Stunde) liegen als Stationen in der Klasse, zusammen mit neuen roten und grünen Büroklammern. Jeder Schüler/jede Schülerin geht mit seiner ausgefüllten Blankokarte (AB 8) von Station zu Station. An jeder Station durchläuft er mit der Karte den jeweiligen Baum und heftet am Ende eine farbige Büroklammer an die Karte (je nachdem, ob der Baum das Lebensmittel als eher empfehlenswert oder eher nicht empfehlenswert klassifiziert)
Hierbei geht es um das Thema Unsicherheit, das bei Entscheidungsbäumen (und beim Arbeiten mit Daten) immer eine wichtige Rolle spielt. Hier geschieht die Auswertung, ob das Lebensmittel eher empfehlenswert oder eher nicht empfehlenswert ist anhand des Auszählens der farbigen Büroklammern. Diskussion: Was bedeutet es, dass an manchen Lebensmitteln unterschiedliche Klammern hängen? 1. Die Entscheidung eines Entscheidungsbaums ist mit Unsicherheit behaftet. 2. Unterschiedliche Bäume können unterschiedliche Entscheidungen liefern, wir können aber überprüfen, welcher Baum zuverlässig ist (welcher Baum die meisten Objekte richtig klassifiziert), indem wir Testdaten nutzen – das kommt in der nächsten Phase. 3. Entscheidungen eines Entscheidungsbaums müssen mit gesundem Menschenverstand beurteilt werden. Entscheidungen basieren auf unserem Trainingsdatensatz, der nur eine kleine Auswahl an Lebensmitteln beinhaltet und subjektiv klassifiziert wurde. |
„Unsicherheit“ im Regelsystem erkennen
|
Präsentation 4
|
| 7
|
Systematisches testen von Entscheidungsbäumen anhand mehrerer Testkarten
Motivation: Um die Unsicherheiten in Entscheidungsbäumen systematisch weiter zu untersuchen, testet in dieser Stunde jede Gruppe ihren Entscheidungsbaum mit den 15 Testkarten, die im Katenspiel als gelbe Karten gekennzeichnet sind. So wird es möglich, die Performance der Entscheidungsbäume miteinander zu vergleichen.
Einführung Testkarten im Plenum 1. Testkarten labeln mit Hilfe von AB9. 2. Jetzt mit Testdaten den Baum der eigenen Gruppe (Ergebnis aus der vorherigen Stunde auf AB6) prüfen. 3. Jede Testkarte nehmen und entsprechend des vorgegebenen Baums ausprobieren. Dokumentieren, wie viele Karten der Baum “richtig” und “falsch” klassifiziert. 4. Auf AB 6 folgenden Satz ergänzen: „Mit diesem Baum wurden von den Testdaten ___ Lebensmittel richtig klassifiziert und ____ Lebensmittel falsch klassifiziert.”
· Vergleichen, wie gut die Bäume jeweils mit Testdaten abschneiden. · Welcher Baum hat die meisten Lebensmittel von den Testdaten richtig klassifiziert? Computer könnte noch schneller noch viel mehr Bäume erstellen, vergleichen und den „besten” Baum auswählen. |
Testkarten zum Prüfen eines Baums nutzen
|
Arbeitsblatt 9 Arbeitsblatt 6
|
| 8
|
Erstellen von Entscheidungsbäumen mit dem Computer
Motivation: Wie wird mit Hilfe eines Computers ein Entscheidungsbaum erstellt? Anknüpfend an die letzten Stunden können Schülerinnen und Schüler in dieser Stunde einen Entscheidungsbaum zu den Lebensmitteldaten mit Hilfe eines Computers automatisiert erstellen lassen. Sie können dabei auch die Daten verändern und die Auswirkungen auf den Entscheidungsbaum beobachten. Abschließend wird noch einmal reflektiert, wie mit Hilfe des Computers aus Daten Entscheidungsbäume erstellt werden, welche Vor- und Nachteile dies hat und wo die SuS solche Entscheidungsmodelle in ihrem Alltag wiederfinden.
1. Um noch einmal zu verstehen, wie ein Computer algorithmisch vorgeht, um Schwellenwerte zu finden, wird zunächst AB 10 ausgefüllt. 2. Auf der Website https://go.upb.de/auto-baum gibt es ein vorbereitetes Jupyter Notebook, das per „Click and play“ benutzt werden kann. Im Jupyter Notebook (dieses ist für SuS (fast) selbsterklärend): 1. Alle SuS „labeln“ zunächst den Trainingsdatensatz wie in Stunde 2 (mit Hilfe von AB 2). 2. Anschließend wird durch den Computer automatisch ein Entscheidungsbaum erstellt. 3. Verschiedene Bäume (mit unterschiedlicher Anzahl an Stufen) können hinsichtlich ihrer Fehlklassifikationsanzahl bzgl. der Trainingsdaten besprochen werden. 4. Der automatisch erstellte Baum kann mit den Testdaten überprüft werden. 5. Am Ende können Daten für ein neues Lebensmittel eingegeben werden und durch den Baum klassifiziert werden.
Sollte im Jupyter Notebook versehentlich der Code einer Zelle angezeigt werden, so kann das “Ausführen” dieser Zelle durch die Tastenkombination Shift+Enter den Code wieder verbergen und die “schöne” Ansicht wiederhergestellt werden.
Zum Vertiefen können die Ausgangsdaten im Jupyter Notebook unterschiedlich gelabelt werden. Dadurch lässt sich erkennen, welchen Einfluss die Daten bzw. Die Modellierung der Daten (hier der menschliche Einfluss durch Vergabe der Label) auf die Ergebnisse hat. Z. B. kann die anfängliche Vergabe der Label so verändert werden, dass sie willkürlich ist und dann wird auch als Ergebnis ein Entscheidungsbaum erstellt, der inhaltlich keinen Sinn ergibt. Dies verdeutlicht, dass die Qualität der Daten(-modellierung) entscheidend für Qualität eines Regelsystems ist, das durch maschinelles Lernen erstellt wird.
· Was hat der Computer im Hintergrund gemacht? (schnell sortieren, alle Schwellenwerte probieren, alle Merkmale probieren) · Vergleich der automatisch erstellten KI-Bäume und der händisch in der Klasse erstellten Bäume – wie gut sind die händisch erstellten Bäume?
|
Einfluss von Daten auf das Ergebnis untersuchen |
Computer oder Tablet
|
| 9 | Reflexion
Was hat uns das Erstellen des Entscheidungsbaums gebracht? · Wir haben nun Erkenntnisse über die Rolle verschiedener Merkmale von Lebensmitteln erlangt. Zum Beispiel über die Merkmale Fett und Kalorien. An dieser Stelle kann auf konkrete Entscheidungsbäume aus der Unterrichtsreihe eingegangen werden. · Frage: Welche Hinweise geben uns unsere Bäume? (Bezug zu formulierten Regeln) (z.B. verschiedene Merkmale müssen einbezogen werden, nicht nur eins allein)
· Ein resultierender Entscheidungsbaum ist KEIN absolut gültiges Regelsystem für empfehlenswerte Lebensweise, ABER er kann uns trotzdem gute Hinweise geben. · Gründe Schwächen: 1. Wir haben die Daten intuitiv gelabelt (Zuordnung von eher empfehlenswert/eher nicht empfehlenswert war manchmal zweifelhaft) 2. Vielleicht haben wir ein wichtiges Merkmal der Lebensmittel gar nicht erhoben. (Zum Beispiel Ballaststoffe) 3. Eine empfehlenswerte Ernährung ist in erster Linie vielseitig und nicht eins zu eins durch einen Entscheidungsbaum abzudecken.
· Karten sortieren · Schwellenwerte ausprobieren · Richtige und falsche Klassifikationen abhängig von den Schwellenwerten auswerten und damit Schwellenwerte/Entscheidungsregeln vergleichen
Ein Entscheidungsbaum ist das, was man KI nennt. Durch einen Entscheidungsbaum wird eine Entscheidung vorgeschlagen. Der Entscheidungsbaum gibt aus, ob etwas eher empfehlenswert oder nicht ist. Der Computer ist aber nicht “intelligent”, sondern wurde anhand von Daten auf das entsprechende Regelsystem trainiert. Das heißt nicht, dass der Computer „weiß” oder „verstanden” hat, was empfehlenswert ist, sondern nur, dass er Daten auswertet und basierend darauf Klassifikationen vorgenommen werden (können).
· Um neue Lebensmittel zu klassifizieren · Um zu erklären, was “eher empfehlenswert” und “eher nicht empfehlenswert” bei Lebensmitteln ist
· Schnell sortieren, um verschiedenen Merkmale auszuprobieren · alle Schwellenwerte ausprobieren und die Anzahl der Fehlklassifikationen bestimmen, um so die besten Splits zu finden · Verschiedene Kombinationen von Merkmalen und Schwellenwerten ausprobieren und so den besten Baum finden Vertiefung: · Für welche Situationen können Entscheidungsbäume hilfreich sein? Gib ein Beispiel an. (z.B. personalisierte Werbung, Vorschläge auf online Plattformen) · Welche Daten werden dafür benötigt? |
Prozess beim Erstellen eines Entscheidungs-baums rekapitulieren
|
|
| Evaluation
Bitte als Abschluss der Unterrichtsreihe den Schülerinnen und Schülern das Arbeitsblatt 11 Evaluation (Rückmeldung) geben mit dem Hinweis, dass dies eine anonyme Rückmeldung an die „Erfinder“ der Unterrichtsreihe ist. Die „Erfinder“ sind sehr daran interessiert zu erfahren, wie die Reihe den Schülerinnen und Schülern gefallen hat. Das Arbeitsblatt findet sich auch digitalisiert auf einem Server datenschutzrechtlich unbedenklich der Universität Paderborn. Die eingescannten Arbeitsblätter schicken Sie bitte per E-Mail an podworny@math.uni-paderborn.de; alternativ kann die anonyme Evaluation unter https://go.upb.de/ev-lebensmittel von den SuS ausgefüllt werden.
|
Rückmeldung geben | Arbeitsblatt 11
(oder digital: siehe Link) | |
Glossar
Ast Ein Ast innerhalb eines Entscheidungsbaums ist eine von mehreren Abzweigungen, die von einem Regelknoten zu einem nächsten Knoten führt.
Ausprägung/Merkmalsausprägung Die Werte, die ein Merkmal annehmen kann, nennt man Merkmalsausprägung.
Beispiel (im Kontext von KI) Ein Beispiel ist ein Objekt (z. B. Lebensmittel), das durch bestimmte Merkmale (z. B. Nährstoffe) beschrieben wird und mit einem Label (z. B. „eher empfehlenswert“ oder „eher nicht empfehlenswert“) versehen ist.
Blattknoten Ein Entscheidungsbaum besteht aus verschiedenen Knoten. Die Knoten am Ende eines Entscheidungsbaums nennt man Blattknoten und in ihnen ist immer eine Entscheidung für eine Ausprägung des Zielmerkmals eingetragen.
Datenkarte Eine Datenkarte repräsentiert ein Objekt, indem darauf die Ausprägungen einer Liste von Merkmalen dargestellt sind (z. B. ein Lebensmittel durch Nährwertangaben zu einer Liste von Nährstoffen). Eine Datenkarte kann digital oder analog repräsentiert sein.
Datensplit Ein Datensplit ist die Aufteilung von Daten in Teildatensätze basierend auf den Ausprägungen eines Merkmals, z. B. durch einen Schwellenwert.
Entscheidungsbaum Ein Entscheidungsbaum ist ein (übersichtliches, in gewissen Grenzen nachvollziehbares) Regelsystem, das als Baumdiagramm dargestellt werden kann. Ein solcher Entscheidungsbaum veranschaulicht hierarchisch aufeinanderfolgende Entscheidungsregeln, an deren Ende immer eine Entscheidung für eine bestimmte Fragestellung steht.
Fehlklassifikation Eine Objekt, das durch einen Klassifikator einer falschen Klasse zugeordnet wird nennt man Fehlklassifikation.
Klasse (im Kontext von KI) Eine Klasse ist eine Ausprägung eines kategorialen Zielmerkmals beim überwachten maschinellen Lernen.
Klassifikation Mit einem Entscheidungsbaum kann man Ausprägungen eines (mit einer gewissen Wahrscheinlichkeit) Merkmals vorhersagen. Anders formuliert kann man also ein Objekt einer Klasse zuordnen. Eine solche regelgeleitete Zuordnung zu einer Klasse nennt man Klassifikation.
Klassifikator Ein Klassifikator ist ein Regelsystem (z. B. Entscheidungsbaum), das bestimmte Objekte anahand von Prädiktormerkmalen klassifizieren kann.
Klassifizieren Das Klassifizieren eines Objekts entspricht dem Zuordnen eines Objekts zu einer Klasse (aus einer Menge möglicher Klassen). Klassen können auch als Merkmalsausprägungen eines kategorialen Merkmals verstanden werden.
Künstliche Intelligenz (KI) Künstlicher Intelligenz befasst sich mit der Frage, wie man Computer dazu bringen kann, Dinge zu tun, die Menschen bisher besser beherrschen. Dazu gehören verschiedenste Anwendungen, u. A. die Fähigkeit in verschiedenen Szenarios Vorhersagen zu treffen oder Klassifikationen vorzunehmen die mit einer hohen Rate korrekt sind. Somit zählen leistungsfähige Klassifikatoren (z.B. Entscheidungsbäume) zu den Anwendungen von Künstlicher Intelligenz.
Label Ein Label gibt die Klassenzugehörigkeit eines Objekts an. Das Label kann als Ausprägung eines Merkmals (Zielmerkmal) verstanden werden.
Maschinelles Lernen Maschinelles Lernen bezeichnet Verfahren, in denen eine Lernaufgabe automatisiert durch Lernalgorithmen basierend auf Daten gelöst wird. Maschinelles Lernen unterscheidet verschiedene Arten von Lernaufgaben. Typischerweise wird zwischen drei Arten von Lernaufgaben unterschieden: überwachtes Lernen, unüberwachte Lernen und bestärkendes Lernen. Beim überwachten Lernen geht es darum, die Ausprägung eines Zielmerkmals für eine bestimmte Art von Objekten vorherzusagen. Beim unüberwachten Lernen geht es darum, Objekte anhand bestimmter Merkmale in Gruppen ähnlicher Objekte zusammenzufassen und beim bestärkenden Lernen geht es darum, sogenannte „Agenten“ (z.B. Roboter) zum Handeln zu bringen. Bei allen Lernaufgaben kommen unterschiedlichste Lernalgorithmen zum Einsatz.
Merkmal Merkmale charakterisieren Objekte und können verschiedene Ausprägungen annehmen. Es gibt numerische und kategoriale Merkmale.
Objekt Objekte sind Merkmalsträger jeglicher Art. D. h. Objekte können durch Merkmale beschrieben werden (Z. B. Lebensmittel werden durch Nährwerte beschrieben, Menschen durch charakterisierende Eigenschaften wie Haarfarbe oder Körpergröße). Dabei ist nicht festgelegt welche Merkmale zum beschreiben eines Objektes herangezogen werden.
Pfad Ein Pfad innerhalb eines Entscheidungsbaums ist eine Abfolge von Ästen, die im Wurzelknoten beginnt und in einem Blattknoten endet.
Prädiktormerkmal Beim überwachten maschinellen Lernen geht es darum für eine bestimmte Art von Objekten die Ausprägung eines Zielmerkmals vorherzusagen. Für die Vorhersage wird ein Regelsystem basierend auf weiteren Merkmalen erstellt. Diese weiteren Merkmale, auf denen also die Vorhersage beruht nennt man Prädiktormerkmale.
Regelknoten Ein Entscheidungsbaum besteht aus verschiedenen Knoten. Zu Beginn stehen immer Regelknoten, die anhand von Prädiktormerkmalen gebildete Entscheidungsregeln repräsentieren. Alle Knoten in einem Entscheidungsbaum, bis auf die jeweils letzten Knoten weines Pfades, sind Regelknoten.
Schwellenwert Ein Schwellenwert ist eine Ausprägung, die zu einem numerischen Merkmal gewählt werden kann, um Objekte in Teildatensätze zu gruppieren. Die Teildatensätze ergeben sich aus den Objekten, deren jeweilige Ausprägung kleiner oder gleich dem Schwellenwert ist und denjenigen, deren jeweilige Ausprägung größer als der Schwellenwert ist.
Trainingsdaten Trainingsdaten sind ein Satz von Daten, die genutzt werden, um mit Hilfe von maschinellem Lernen einen Klassifikator (z. B. Entscheidungsbaum) zu erstellen.
Testdaten Testdaten sind ein weiterer Satz von Daten, mit denen ein erstellter KLassifikator getestet wird. Trainings- und Testdaten sind disjunkt.
Zielmerkmal Beim überwachten maschinellen Lernen geht es darum für eine bestimmte Art von Objekten die Ausprägung eines Merkmals vorherzusagen. Das betreffende Merkmal nennt man Zielmerkmal.
Überwachtes maschinelles Lernen Damit überwachtes maschinelles Lernen (engl.: supervised learning) angewandt werden kann, benötigt man zuerst digitale Repräsentationen von Objekten in Form von Daten. Mit diesen digitalen Repräsentationen können Lernalgorithmen im Hinblick auf eine bestimmte Zielstellung (z.B. Klassifizieren in “eher empfehlenswert” und “eher nicht empfehlenswert”) trainiert werden. Diesen “Lernprozess” nennt man auch Trainingsprozess und die Daten, die dafür genutzt werden, nennen wir Trainingsdaten. Die digitale Repräsentation der Objekte basiert auf verschiedenen Merkmalen (z.B. Nährwertangaben eines Lebensmittels). Zusätzlich müssen für alle Objekte die gewünschten Klassenzugehörigkeit (z.B. eher empfehlenswert/eher nicht empfehlenswert) in Form eines Labels bekannt sein. Die Merkmale eines Objekts nennt man auch Prädiktormerkmale und die Label sind die Ausprägungen eines Zielmerkmals. Eine Sammlung von Beispielobjekten, denen Werte von Prädiktormerkmalen und Labeln zugeordnet werden, werden so zu einem Satz von Daten, der modellhaft eine ganze Klasse an Objekten repräsentiert. Hierbei werden die Daten zum Erstellen eines Regelsystems (z.B. Entscheidungsbaum) für eine KI verarbeitet. Die KI soll dann später den verschiedenen Objekten, bei denen die Klassenzugehörigkeit nicht bekannt ist, anhand ihrer digitalen Repräsentation das passende Label automatisiert zuordnen. Das Verarbeiten der Daten in diesem gesamten Trainingsprozess kann man als “überwachtes maschinelles Lernen” bezeichnen und dabei wird das Regelsystem immer besser an die vorliegenden Daten angepasst, bis am Ende möglichst wenig Fehler bei der Zuordnung (Fehlklassifikationen) passieren. Im Anschluss wird eine KI mit neuen Objekten bzw. Daten getestet und evaluiert. Dann spricht man von Testdaten. Der Begriff „überwacht“ wird in diesem Zusammenhang genutzt, da für alle verwendeten Objekte in den Daten die Klassenzugehörigkeit bekannt ist und daher genau überwacht werden kann wie gut der erstellte Klassifikator für die Daten funktioniert.