Apfel oder Popcorn? - Eine enaktive Einführung in KI, maschinelles Lernen und Entscheidungsbäume mit Datenkarten: Unterschied zwischen den Versionen

Aus Eduwiki
Wechseln zu:Navigation, Suche
Keine Bearbeitungszusammenfassung
Keine Bearbeitungszusammenfassung
 
(46 dazwischenliegende Versionen von 2 Benutzern werden nicht angezeigt)
Zeile 1: Zeile 1:
Auf dieser Seite werden nach und nach die Inhalte der Unterrichtsreihe „Entscheidungsbäume mit Datenkarten“ eingefügt.
{{DISPLAYTITLE:Apfel oder Popcorn? Eine enaktive Einführung in Entscheidungsbäume, maschinelles Lernen und KI mit Datenkarten}}


Apfel oder Popcorn? Eine enaktive Einführung in Entscheidungsbäume, maschinelles Lernen und KI mit Datenkarten
'''Download aller Materialien gesammelt als ZIP-Ordner:''' [https://uni-paderborn.sciebo.de/s/AEms4o4zzVZ2wwG Unterrichtsreihe_Datenkarten.zip]


<br />
{{Infobox|image=Datei:ProDaBi Logo.png|thema=Entscheidungsbäume|Material=Media:Nutri-Score und Entscheidungsbäume.pdf|Material_Name=Nutri-Score und Entscheidungsbäume|Autor=Yannik Fleischer, Susanne Podworny|subpages=|Material1=|Material1_Name=|Material2=|Material2_Name=|Material3=|Material3_Name=|Material4=|Material4_Name=}}
 
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=
=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 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.  
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. 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.
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.


In dieser Unterrichtsreihe wird in ca. 9 Unterrichtsstunden in die sogenannten datenbasierten Entscheidungsbäume (engl. decision trees), 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 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, welche Rolle Daten dabei spielen. Sie Lernen Entscheidungsbäume als gewinnbringende Repräsentation von Daten kennen, mit deren Hilfe Erkenntnisse gewonnen und Vorhersagen gemacht werden können, bei deren Anwendung aber auch Fehler passieren können.
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.[[Datei:Datenkarten .png|mini|399x399px|Abbildung 1: Beispiele Datenkarten über Lebensmittel]]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.
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.


Wir empfehlen den Einsatz der Unterrichtsreihe in Klasse 6.
=Leitfragen des Moduls=
 
=Leitfragen=


* 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 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?
*Wie kann man einen Entscheidungsbaum für dieses Problem automatisiert (durch maschinelles Lernen) erstellen lassen?


=Ziele=
=Ziele des Moduls=
Bezogen auf Datenkarten Entscheidungsbäume:                
Bezogen auf Datenkarten Entscheidungsbäume:                


Die SuS...
Die SuS...


*begreifen einen Entscheidungsbaum als Regelsystem, das zum Klassifizieren von Objekten genutzt werden kann.
*können einen Entscheidungsbaum als Regelsystem zum Klassifizieren von Objekten anwenden.
*verstehen eine Datenkarte als Repräsentation eines Objekts, auf dem die Ausprägungen verschiedener Merkmale dieses Objekts erfasst sind.
*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.
*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.
*präsentieren und reflektieren eigene Entscheidungsbäume angemessen.
Zeile 45: Zeile 55:
*lernen die Bedeutung einzelner Nährwertangaben (Merkmale) bei Lebensmitteln und ihre Relevanz für die Qualitätsbewertung von Lebensmitteln kennen.
*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.
*leiten aus den gegebenen Nährwertdaten ein Regelsystem ab, das Prognosen darüber trifft , ob ein (neues) Lebensmittel eher empfehlenswert oder eher nicht empfehlenswert ist.
<br />


=Material und Umgang damit=
=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.
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.


Abbildung 1: Beispiel Lebensmittelkarten
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.


Mit einem Spielkartensatz zu Lebensmitteln wird anhand der „Big 7“ der Nährwerte (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.


Man bezeichnet dabei das Merkmal, für das eine Klassifikation erstellt werden soll, als Zielmerkmale und die übrigen Merkmale (hier Nährwertangaben), 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).
 
Mithilfe von Spielkarten wie in Abb. 1 über Lebensmittel mit den zugehörigen Nährwertangaben (pro 100 g) erarbeiten Schülerinnen und Schüler 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===
===Material===


* 55 Karten, davon
*55 Karten, davon                  
** 40 Trainingskarten (blau),
**40 Trainingskarten (blau),
** 15 Testkarten (gelb)
**15 Testkarten (gelb)
* 50 grüne und 50 rote Büroklammern zum Labeln
*50 grüne und 50 rote Büroklammern zum Labeln
* 11 Arbeitsblätter
*11 Arbeitsblätter
* 4 PowerPoint Präsentationen als Grundlage für Plenumsphasen im Unterricht
*4 PowerPoint Präsentationen als Grundlage für Plenumsphasen im Unterricht
*1 digitale menübasierte Lernumgebung in einem Jupyter Notebook


'''Download:''' [https://unterrichtsmaterial-ddi.cs.upb.de/images/5/57/Druckvorlage.zip Druckvorlage] für die Datenkarten inkl. Anleitung


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.
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.
Zeile 81: Zeile 89:


Kurzübersicht zur Unterrichtsreihe
Kurzübersicht zur Unterrichtsreihe
{| class="wikitable"
{| class="wikitable mw-collapsible"
|Phase
|Phase
|Thema
|Thema
<br />
|Inhalt
|Inhalt
|-
|-
Zeile 90: Zeile 97:


1 U.-Std.
1 U.-Std.
|'''Einführung in den Kontext  KI und Problematisierung'''
|'''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.
|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.
|-
|-
Zeile 97: Zeile 105:
1 U.-Std.
1 U.-Std.
|'''Exkurs: Lebensmittel'''
|'''Exkurs: Lebensmittel'''
|In dieser Stunde erfolgt ein Einstieg in den Datenbegriff und das Thema Lebensmittel. Dazu wird die Bedeutung verschiedener Nährstoffe thematisiert und Nährwertangaben werden als Ausprägungen von Merkmalen von Lebensmitteln aufgefasst.
|In dieser Phase 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'''
|'''3'''


1 U.-Std.
1 U.-Std.
|'''Daten vorbereiten: Labeln des Datensatzes'''
|'''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.
|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.
|-
|-
Zeile 108: Zeile 116:


1 U.-Std.
1 U.-Std.
|'''Einführung: Aufstellen einer Entschei-dungsregel'''
|'''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.
|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.
|-
|-
Zeile 114: Zeile 122:


2 U.-Std.
2 U.-Std.
|'''Einstufige Entscheidungs-bäume selbst erstellen'''
|'''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.
|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.
|-
|-
Zeile 120: Zeile 128:


1 U.-Std.
1 U.-Std.
|'''Mehrstufige Entscheidungs-bäume erstellen'''
|'''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.
|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'''
|'''7'''


1 U.-Std.
1 U.-Std.
|'''Entscheidungs-bäume mit neuen Daten testen'''
|'''Testen von Entscheidungsbäumen'''
|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.
'''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'''
|'''8'''


1 U.-Std.
1 U.-Std.
|'''Automatisiert Entscheidungs-bäume mit dem  Computer erstellen'''
|'''Automatisiertes Erstellen von Entscheidungs-bäumen mit dem  Computer'''
|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.
|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'''
|'''9'''
Zeile 141: Zeile 148:
1 U.-Std.
1 U.-Std.
|'''Reflexion'''
|'''Reflexion'''
|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.
|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:
Ausführliche Beschreibung des Unterrichtsverlaufs:
Zeile 149: Zeile 156:
|'''Ziele'''
|'''Ziele'''
|'''Material'''
|'''Material'''
|-
| colspan="4" |
|-
|-
|'''1'''
|'''1'''
Zeile 157: Zeile 166:


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.
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.


<u>Aktivität:</u>  
<u>Aktivität:</u>  


Die SuS probieren Google Quick Draw (<nowiki>https://quickdraw.withgoogle.com/</nowiki>) 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.
Die SuS probieren Google Quick Draw (<nowiki>https://quickdraw.withgoogle.com/</nowiki>) als ein  fertiges KI-Systems aus. Die Webseite ist nach  Aufrufen des Links selbsterklärend. Alle Schülerinnen und Schüler probieren  Google Quick Draw aus – alle malen 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.




<u>Besprechung im Plenum</u>
<u>Besprechung im Plenum</u>


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.
Anhand von [https://unterrichtsmaterial-ddi.cs.upb.de/images/3/30/Pr%C3%A4sentation1_QuickDraw.pptx Präsentation 1] und 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 ‘vortrainiert’, 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.”  
Im folgenden wird die Leitfrage der Unterrichtsreihe aufgeworfen: Damit durch  maschinelles Lernen eine KI zum Klassifizieren von Objekten 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.”  




Zeile 175: Zeile 185:


<nowiki>https://www.youtube.com/watch?v=HmUzceKCI9I&list=PL4puIg9yEU6yn_XR0TiSLroYO3KAlZmYY&t=1s</nowiki>
<nowiki>https://www.youtube.com/watch?v=HmUzceKCI9I&list=PL4puIg9yEU6yn_XR0TiSLroYO3KAlZmYY&t=1s</nowiki>


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.
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.''
''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.'' 
 


''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.''
 


<u>Hintergrundinformationen</u>
<u>Hintergrundinformationen</u>
Zeile 192: Zeile 202:




Aktivierung von  Vorkenntnissen über KI aus dem Alltag




KI-Systeme können Dinge  einer Klasse zuordnen (klassifizieren)
KI-Systeme können Dinge  einer Klasse zuordnen (Klassifikation)




Zeile 201: Zeile 210:


|
|
Präsentation 1
[https://unterrichtsmaterial-ddi.cs.upb.de/images/3/30/Pr%C3%A4sentation1_QuickDraw.pptx Präsentation 1]


|-
|-
Zeile 208: Zeile 217:
|'''Exkurs: Lebensmittel  und Nährwertangaben als Daten'''
|'''Exkurs: Lebensmittel  und Nährwertangaben als Daten'''


Motivation:
<u>Motivation:</u>
 
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.
Es existiert ein  Ampelsystem für Ernährung, zum Beispiel im Supermarkt (diese basieren i. dR. nicht auf maschinellem Lernen) – Ein Ziel innerhalb der Unterrichtsreihe ist es allerdings 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. Somit kann ein Lebensmittel durch eine Liste von Zahlen (Nährwertangaben) repräsentiert werden. Außerdem soll diese Stunde die SuS hinführend zu einer Unterscheidung von "eher empfehlenswerten" und "eher nicht empfehlenswerten Lebensmitteln" Grundlage dafür, ob ein Lebensmittel  empfehlenswert ist, kann zum Beispiel die Ernährungspyramide der DGE sein.


Aktivität:


-          Verschiedene Lebensmittel(-verpackungen) präsentieren  (Knäckebrot, Chips,  Gummibärchen, Salami, etc.) „Welche Daten findet ihr hier?“ - Dann: „Welche  Rolle können Daten für unsere Ernährung spielen?“
<u>Aktivität:</u>


-          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?
*Verschiedene Lebensmittel(-verpackungen) präsentieren  (z.B. Knäckebrot, Chips,  Gummibärchen, Salami, etc.)
*Verschiedene Fragen können diskutiert werden: „Welche Daten findet ihr hier?“ - „Welche  Rolle können Daten für unsere Ernährung spielen?“ - „Warum stehen diese Daten auf allen Lebensmittelverpackungen?
*Optionaler Input (ggf. Kooperation mit Biologieunterricht): Nährstoffgruppen: Man braucht verschiedene  Nährstoffgruppen, am besten täglich. Angaben findet man vor allem über allem Kohlenhydrate, Eiweiß, Fett, Salz, Zucker. Wovon sollte man eher viel oder eher weniger essen?


-          Warum  stehen diese Daten auf allen Lebensmittelverpackungen?


Material 3D Ernährungspyramide:
Material 3D-Ernährungspyramide:


<nowiki>https://www.dge.de/fileadmin/public/doc/fs/3dlmp/200714-DGE-Arbeitsblaetter-03-formular.pdf</nowiki>
<nowiki>https://www.dge.de/fileadmin/public/doc/fs/3dlmp/200714-DGE-Arbeitsblaetter-03-formular.pdf</nowiki>




Begriffe: '''Objekt''',  '''Merkmal, Merkmalsausprägung,  Daten,  Klassifikation'''
Begriffe: '''Objekt''',  '''Merkmal, Merkmalsausprägung, Klassifikation'''
|
|


Zeile 241: Zeile 249:




Èinführung in  Begrifflichkeiten rund um Daten
Èinführung in  Begrifflichkeiten rund um Daten<br />
<br />
|
|


Zeile 254: Zeile 261:




Arbeitsblatt 1 (z.B. als  Hausaufgabe)
[https://unterrichtsmaterial-ddi.cs.upb.de/images/f/f4/AB1_N%C3%A4hrwerte_als_Daten.docx Arbeitsblatt 1]




Zeile 262: Zeile 269:
|'''3'''
|'''3'''
<br />
<br />
|'''Labeln des  Datensatzes'''  
|'''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 für eher empfehlenswerte oder eher nicht empfehlenswerte  Lebensmittel benötigt. In dieser Stunde werden solche Beispiele in Form von  Daten mit Hilfe der Datenkarten hergestellt.
 
 
Aktivität
 
Die SuS modellieren den  Datensatz mit dem später gearbeitet wird, um basierend darauf  Entscheiodungsbäume zu erstellen. Dafür vergeben sie zunächst in  Partnerarbeit die Label „eher empfehlenswert“ oder „eher nicht  empfehlenswert“ für alle blauen Karten (blaue Karten = Trainingsdaten), um  anschließend im Klassenverband die Label zu diskutieren und sich zu einigen. (jeweils  2 SuS haben ein Arbeitsblatt 2 zur Verfügung):
 
„Überlegt für jedes  Lebensmittel, ob ihr das Label “eher empfehlenswert” oder “eher nicht  empfehlenswert” vergeben wollt. Dabei könnt ihr euch an der  Lebensmittelpyramide und an eurem Alltagswissen über Lebensmittel  orientieren.“
 
 
Besprechung der  Aktivität
 
Allgemeinen Konsens herstellen,  welche Nahrungsmittel welches Label erhalten werden. Zwei Möglichkeiten:
 
·        Abstimmung im Plenum, Diskussion bei  Uneinigkeit, gemeinsames anheften der Label an die Karten


·        Abstimmung in Onlineumfrage, Diskussion im  Plenum bei Uneinigkeit, gemeinsames Anheften der Label an die Karten
<u>Motivation</u>


Die Lehrkraft kann die  Diskussionen im Plenum moderieren und ggf. bei groben Fehleinschätzungen (z.B. Gurke als “eher nicht empfehlenswert”) 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. Alternativ zur Plenumsdiskussion kann eine Onlineabstimmung durchgeführt werden. Dies ist auch als Hausaufgabe umzusetzen und kann den Unterricht zeitlich  entlasten, da dann nur noch über kritische Lebensmittel diskutiert werden  muss.
Die zu entwickelnde künstliche Intelligenz soll später basierend auf Nährwertangaben vorschlagenob ein Lebensmittel eher empfehlenswert oder eher nicht empfehlenswert istWenn 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.




Möglicher Ablaufplan  für das gemeinsame vergeben der Label im Plenum
<u>Aktivität</u>


Als Ziel: Ein Datensatz  mit identischen Labeln für alle SuS mit etwa 30 blauen Karten (etwa 10 Karten  können offenbleiben, wenn keine Einigung gefunden wird. Zur Weiterarbeit empfehlen sich ca. 30 Karten mit Label.) Die Karten aus Rumpfdatensatz_28.csv  sollten größtenteils enthalten sein, um in der Weiterarbeit gute Ergebnisse  zu erzielen. Das sind aber auch erfahrungsgemäß diejenigen Karten, die die  SuS sehr eindeutig einem Label zuordnen können.
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.  


1.       SuS  bilden Zweier- oder Dreiergruppen


2.       Jede  Schüler:innengruppe bekommt ein Kartenspiel (die Karten auf jeden Fall in der  Reihenfolge lassen, wie sie in der Schachtel sind, damit alle SuS die Karten in der gleichen Reihenfolge vorliegen haben)
<u>Besprechung der  Aktivität</u>


3.       Gemeinsam  wird besprochen und festgelegt, welches Label die erste blaue Karte  (Haselnussschnitte) bekommen soll. Zunächst wird einfach abgestimmt. Wenn  keine klare Mehrheit zustande kommt, wird diskutiert.
Es wird ein allgemeinen Konsens hergestellt, welche Nahrungsmittel welches Label erhält. Zwei Möglichkeiten:


4.       Falls  auch nach der Diskussion keine Einigkeit erzielt wird, kann die Karte  beiseitegelegt werden. Andernfalls stecken alle Schüler eine passend farbige  Büroklammer an die Karte (Haselnussschnitte).
*Abstimmung im Plenum,
*Abstimmung in Onlineumfrage (als HA möglich, entlastet Unterrichtszeit, stärkere Vorbereitung der Diskussion möglich)


5.       3.  und 4. werden für die weiteren Karten wiederholt – die Lehrkraft hat dabei  den Rumpfdatensatz im Blick und versucht die Diskussion so zu leiten, dass  nicht zu viele grobe Fehleinschätzungen passieren und dass nur etwa 10 Karten  beiseitegelegt werden.
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:


6.       Jede  Schülergruppe und die Lehkraft haben einen nach Klassenkonsens mit Labeln versehenen Datensatz.
#Jede  Schüler:innengruppe bekommt ein Kartenspiel (die Karten auf jeden Fall in der  Reihenfolge lassen, wie sie in der Schachtel sind, damit alle SuS die Karten  in der gleichen Reihenfolge vorliegen haben)
#Gemeinsam  wird besprochen und festgelegt, welches Label die erste blaue Datenkarte  (Haselnussschnitte) bekommen soll. Zunächst wird einfach abgestimmt. Wenn  keine klare Mehrheit zustande kommt, wird diskutiert.
#Falls  auch nach der Diskussion keine Einigkeit erzielt wird, kann die Karte beiseitegelegt werden. Andernfalls stecken alle Schüler eine passend farbige  Büroklammer an die Datenkarte.
#2. und 3. werden für die weiteren Karten wiederholt


(Arbeitsblatt 2 kann im  späteren Unterrichtsverlauf als Erinnerung dienen, welche Karte in welcher Farbe gelabelt wurde, falls zwischen den Unterrichtsstunden Label abgefallen sind.)
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.




Hintergrundinformation:  
Jede Schülergruppe und die Lehkraft haben im Anschluss  einen nach Klassen-konsens mit Labeln  versehenen Datensatz. Arbeitsblatt 2 kann im  späteren Unterrichtsverlauf als Erinnerung dienen, welche Karte in welcher Farbe gelabelt wurde, falls zwischen den Unterrichtsstunden Label abgefallen sind.


'''Damit ein  Entscheidungsbaum wie durch einen Computer erstellt werden kann, müssen wir  ihm Beispiele liefern.''' 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 für das  zu erstellende KI-System. Wir demonstrieren mit diesen Daten, was unsere  künstliche Intelligenz als eher empfehlenswert oder als eher nicht  empfehlenswert erkennen soll.


Begriffe: '''Daten, Beispiel, Objekt, Merkmal'''
Begriffe: '''Daten, Beispiel, Objekt, Merkmal'''
Zeile 314: Zeile 305:




Labeln von  Lebensmittelkarten = Modellierung der Realität




Maschinellen  Lernprozess vorbereiten durch Herstellen eines geeigneten einheitlichen Trainingsdatensatzes




Zeile 321: Zeile 314:




 
<br />
 
Maschinellen  Lernprozess vorbereiten durch Herstellen eines geeigneten  Trainingsdatensatzes
 
 
Labeln von  Lebensmittelkarten = Modellierung der Realität


|
|
[https://unterrichtsmaterial-ddi.cs.upb.de/images/c/c5/AB2_Lebensmittel_Label.docx Arbeitsblatt 2]


(in  Farbe ausdrucken!)






 
Rumpfdatensatz
 
 
 
 
 
Arbeitsblatt 2 (unbedingt in  Farbe ausdrucken!)
 
 
 
Rumpfdatensatz_28




Zeile 356: Zeile 336:
|'''Erarbeitung:  Aufstellen einer datenbasierten Entscheidungsregel'''  
|'''Erarbeitung:  Aufstellen einer datenbasierten Entscheidungsregel'''  


Motivation:
<u>Motivation:</u>
 
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 Mehrheitsentscheidung abweichen. Diese werden als Fehler oder  Fehlklassifikationen bezeichnet. Es gilt deshalb den Schwellenwert zu finden,  der möglichst wenige Fehler hervorbringt.  Die Entscheidungsregeln werden in dieser Stunde exemplarisch mit Hilfe  des Merkmals Energie erstellt.
 
 
'''Formulierung der  Zielstellung für die SuS (Erstellen einer Entscheidungsregel):''' Um eine  gute Regel zu finden, ist es sinnvoll, dass auf einer Seite des  Schwellenwerts möglichst nur eher nicht empfehlenswerte Lebensmittel zu  finden sind und auf der anderen Seite nur eher empfehlenswerte. Dann hätte  man eine Regel, um eher empfehlenswerte und eher nicht empfehlenswerte  Lebensmittel zu unterscheiden. Eine solch perfekte Regel findet man meistens  nicht, aber vielleicht kommt man möglichst nah dran, sodass möglichst wenige  Lebensmittel falsch klassifiziert werden. Im weiteren Verlauf des Unterrichts  werden weitere Stufen des Baums erstellt, um komplexere Regelsysteme zu  erhalten, die mehr Lebensmittel richtig klassifizieren.
 
 
Aktivität:
 
Lebendige Statistik  durchführen, um Schwellenwert zu thematisieren
 
1.       Jede/r  SuS geht nach vorne und holt sich eine gelabelte Karte ab und repräsentiert  nun das Lebensmittel auf der Karte
 
2.       Die  Lehrkraft erläutert zunächst, dass nun eine Entscheidungsregel gesucht wird  und formuliert die Zielstellung (s.o.). Nun gibt sie ein Merkmal und einen  Schwellenwert vor (z.B. Energie, 350 kcal) und dann wird der Datensplit in  der Klasse am Merkmal '''Energie''' durchgeführt. Das bedeutet: Alle, die  eine Karte mit einem Energiewert ≤ 350 haben, gehen nach links, alle mit  einem Energiewert >350 gehen nach rechts. Daraus entstehen zwei  Teildatensätze.
 
3.       Nun  wird per Handzeichen erhoben, wie die Anzahlen von ‚eher empfehlenswert‘ und  ‚eher nicht empfehlenswert‘ in den Teildatensätzen sind und an der Tafel  festhalten
 
4.       Den  Baum an der Tafel mitzeichnen als Strukturierungshilfe für SuS
 
5.       Diskussion:  In welcher Teilgruppe befinden sich eher empfehlenswerte Lebensmittel?  (Mehrheitsentscheidung (Durchzählen) – Ziel: eher empfehlenswerte  Lebensmittel haben eher weniger Energie)
 
6.       Vorgeben  eines weiteren Schwellenwertes und Wiederholen der Prozedur (z.B. Minimum der  eher nicht empfehlenswerten Lebensmittel)
 
7.       Vergleich  der beiden Datensplits (Welcher ist näher an unserer Zielstellung möglichst  wenige Fehler beim Klassifizieren zu erzeugen?)
 
8.       Diskussion:  Geben eines weiteren Schwellenwerts und Wiederholen der Prozedur
 
9.       Vergleich  der drei Datensplits (Welcher ist besonders nah an unserer Zielstellung?)
 
Tafelbild zum Festhalten  des Schwellenwerts und der jeweiligen Häufigkeitsverteilung. Besprechung:  Welcher ist der beste Schwellenwert für das Merkmal Energie? Dokumentation an  der Tafel wie AB3


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.


Hinweis zur Durchführung der lebendigen Statistik
<u>'''<br />'''Erarbeiten der Zielstellung für das Erstellen einer Entscheidungsregel:</u>


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.
Anahnd von [https://unterrichtsmaterial-ddi.cs.upb.de/images/1/14/Pr%C3%A4sentation2_Datensplit_Einf%C3%BChrung.pptx 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.  




Hintergrundinformationen
<u>Aktivität:</u>


Es sollen Entscheidungsregeln anhand der Merkmale der Lebensmittel definiert werden. Die  Merkmale (Nährstoffe) haben in unserem Beispiel jeweils eine numerische  Ausprägung, die die jeweiligen Nährwertangabe als Menge pro 100 g angibt. Um  eine Entscheidungsregel aufzustellen, suchen wir zu einem Merkmal einen  Schwellenwert.
Lebendige Statistik durchführen, um das bilden von Datensplits und das vergleichen von Schwellenwerten zu thematisieren:


Ein Schwellenwert ist ein Wert, mit dessen Hilfe die Daten bezogen auf ein Merkmal in zwei Teilgruppen aufgeteilt werden. Das nennt man auch Datensplit (kurz: Split).  Eine Gruppe enthält die Lebensmittel deren Ausprägung des Merkmals kleiner  oder gleich dem Schwellenwert ist und die andere Gruppe diejenigen deren Ausprägung größer als der Schwellenwert ist. Dabei ist die Zielstellung,  einen Wert zu finden, der die Daten in möglichst homogene Teilgruppen aufteilt, also beispielsweise, dass unterhalb und bis zum Schwellenwert möglichst viele Objekte einsortiert sind, die als ‘eher empfehlenswert’ klassifiziert sind und alle Objekte, deren Ausprägung größer als der  Schwellenwert sind, als ‘eher nicht empfehlenswert’ klassifiziert sind. Auf beiden Seiten wird eine Mehrheitsentscheidung getroffen, um einen  Entscheidungswert festzulegen. So hat man dann eine Entscheidungsregel basierend auf einem Merkmal und einem Schwellenwert. Z.B.: Lebensmittel mit bis zu einschließlich 5 g Fett sind eher empfehlenswert und Lebensmittel mit über 5 g Fett sind eher nicht empfehlenswert. Die Güte dieser  Entscheidungsregel kann daran bemessen werden, für wie viele Objekte im  Datensatz diese Zuordnung falsch ist. (Anzahl der Fehlklassifikationen)
#Alle  SuS gehen nach vorne und holen sich eine gelabelte Karte ab und repräsentiert  nun das Lebensmittel auf der Karte
#Die Lehrkraft erläutert zunächst, dass nun eine Entscheidungsregel gesucht wird  und formuliert die Zielstellung (s.o.). Nun gibt sie ein Merkmal und einen Schwellenwert vor (z.B. Energie, 350 kcal) und dann wird der Datensplit in der Klasse am Merkmal Energie durchgeführt. Das bedeutet: Alle, die  eine Karte mit einem Energiewert ≤ 350 haben, gehen nach links, alle mit  einem Energiewert >350 gehen nach rechts. Daraus entstehen zwei  Teildatensätze.
#Nun wird per Handzeichen erhoben, wie die Anzahlen von ‚eher empfehlenswert‘ und ‚eher nicht empfehlenswert‘ in den Teildatensätzen sind und an der Tafel festhalten
#Den  Baum an der Tafel mitzeichnen als Strukturierungshilfe für SuS (s.u. )
#Diskussion:  In welcher Teilgruppe befinden sich eher empfehlenswerte Lebensmittel? Ziel: Aufstellen und Verbalisieren einer Entscheidungsregel per Mehrheitsentscheidung. ("Wenn ein Lebensmittel weniger als 350 kcal hat...")
#Vorgeben eines weiteren Schwellenwertes und Wiederholen der Prozedur (z.B. Minimum der eher nicht empfehlenswerten Lebensmittel)
#Vergleich der beiden Datensplits (Bei welchem ist die Anzahl der Fehlklassifikationen niedriger?)
#Geben eines weiteren Schwellenwerts und Wiederholen der Prozedur
#Vergleich  der drei Datensplits (Welcher ist der beste?)




Reflexion:
<u>Hinweis zur  Durchführung der lebendigen Statistik</u>


·       Für ein Merkmal haben wir ausprobiert/herausgefunden, wie wir durch Ausprobieren und Vergleichen zu einer „guten” Regel kommen.
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.


·       Der  Computer kann alle Schwellenwerte ausprobieren und die “beste” Regel  für das gewählte Merkmal so ganz schnell finden.


·       Außerdem  probiert der Computer alle Merkmale und alle denkbaren Schwellenwerte durch,  um so eine noch bessere Regel zu finden.
<u>Reflexion:</u>


·       Eine  Entscheidungsregel ist schon ein kleiner Entscheidungsbaum mit nur einer  Ebene (Aber: Der Baum ist noch nicht sehr gut, da er noch einige Fehler  macht)
Zur Aktivität


·       Reicht noch nicht: Mit mehr als einer Regel wird es besser.
*Für ein Merkmal haben wir ausprobiert/herausgefunden, wie wir durch mit verschiedenen Schwellenwerten Entscheidungsregeln aufstellen  und vergleichen können. Von allen in Betracht gezogenen können wir sogar die beste Regel finden.
*Eine  Entscheidungsregel ist schon ein kleiner Entscheidungsbaum mit nur einer  Ebene (Aber: Der Baum ist noch nicht sehr gut, da er noch einige Fehler  macht)
*Jetzt: Wir wollen nun noch mehr Entscheidungsregeln überprüfen
*Später: können dann noch Entscheidungsregeln in der nächsten Ebene dazukommen


Ausblick maschinelles Lernen- Kann ein Computer das auch?:


Hausaufgabe
*Der  Computer kann Schwellenwerte ausprobieren und die “beste” Regel  für das gewählte Merkmal finden, wenn man ihn passend programmiert. Solche AUfgaben erldigt der Computer schneller als ein Mensch
*Außerdem kann der Computer alle Merkmale und alle denkbaren Schwellenwerte ausprobieren.


AB3_GrößerKleinerZeichen


Mathematische Wiederholung <, >, ≤, ≥ Zeichen!!
<u>Hausaufgabe</u>


Übungen mit der Baumdarstellung
*Übungen zum Nutzen von Schwellenwerten in der Baumdarstellung (AB3_SchwellenwertAnwenden)
 
*optionale weitere HAusaufgabe: Mathematische Wiederholung <, >, ≤, ≥ Zeichen  (z.B. <nowiki>https://anton.app/de/lernen/mathematik-5-klasse/thema-01-natuerliche-und-ganze-zahlen/uebungen-04-zahlen-ordnen-vergleichen/</nowiki>)
(z.B. <nowiki>https://anton.app/de/lernen/mathematik-5-klasse/thema-01-natuerliche-und-ganze-zahlen/uebungen-04-zahlen-ordnen-vergleichen/</nowiki>)




Begriffe: '''Schwellenwert''', '''Datensplit'''
Begriffe: '''Schwellenwert''', '''Datensplit'''
|
|
Einführung des Datensplit  als Grundkonzept von Entscheidungsbäumen




 
Einführung des Schwellenwerts  als Möglichkeit Datensplits herzustellen
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 




Zeile 465: Zeile 397:




Einführung des Datensplit  als Grundkonzept von Entscheidungsbäumen




Einführung des Schwellenwerts  als Möglichkeit Daten-splits herzustellen




Zeile 486: Zeile 416:




[https://unterrichtsmaterial-ddi.cs.upb.de/images/1/14/Pr%C3%A4sentation2_Datensplit_Einf%C3%BChrung.pptx Präsentation 2]




Zeile 492: Zeile 423:




Datenkarten Präsentation 2


Rumpfdatensatz
Rumpfdatensatz
Zeile 554: Zeile 478:




 
[https://unterrichtsmaterial-ddi.cs.upb.de/images/3/36/AB3_Schwellenwerte_Anwenden.docx Arbeitsblatt 3]
 
 
 
 
 
 
 
 
 
 
 
 
Arbeitsblatt 3


|-
|-
Zeile 574: Zeile 485:
|'''Erstellen einstufiger  Entscheidungsbäume'''  
|'''Erstellen einstufiger  Entscheidungsbäume'''  


Motivation:
<u>Motivation:</u>
 
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.
 
 
Einführung der  Linealmethode
 
Die  Lineal-/Bleistiftmethode (s. u.) kann in zunächst im Plenum erläutert und  dann anhand von Arbeitblatt 4 in Einzelarbeit eingeübt werden, um die Methode  danach in Kleingruppen mit den Datenkarten anzuwenden.
 
 
'''Die Linealmethode/Bleistiftmethode:'''
 
·       Die  Gruppen sortieren die gelabelten blauen Karten aufsteigend nach ihrem Merkmal  auf dem Tisch (ggf. 2 Tische aneinanderschieben)
 
·       Ein  Lineal oder Bleistift wird als symbolischer Schwellenwert in die Verteilungen  gelegt (zwischen zwei Karten) und dann wird ausgezählt, wie viele Karten  richtig klassifiziert sind. Es wird auf beiden Seiten der Mehrheitswert  (hier: links grün & rechts rot) gebildet und abweichende Karten gelten  als falsch klassifiziert (hier: Nudeln auf der rechten Seite)
 
(Beispiel Linealmethode)
 
'''Schwellenwert per  Augenmaß:'''
 
·       Man  kann einen ersten Schwellenwert per Augenmaß auswählen, um von da ausgehend  verschiedene zu vergleichen. Die Karten müssen dafür auf jeden Fall nach  einem Merkmal sortiert sein
 
·       Es  können verschieden Strategien genutzt werden:
 
o    Es kann der Wert gewählt werden, der von links  betrachtet zwischen den ersten beiden verschieden gelabelten Karten liegt (im  Bild oben zwischen Brotscheibe und Pommes).
 
o    Alternativ kann dies auch vom rechten Ende her  gemacht werden.
 
o    Alternativ kann ein Wert gewählt werden, bei  dem links und rechts vom Schwellenwert möglichst homogene Teildatensätze (rot  oder grün) entstehen. Dies erfordert schon ein gewisses Augemaß, dass aber  mit der Zeit aufgebaut werden kann.
 
·        Von dem gewählten Schwellenwert ausgehend  kann man dann den Schwellenwert etwas nach links oder rechts verschieben und  prüfen, ob sich die Anzahl der falsch klassifizierten Karten dadurch  verringert. Diese Strategie kann sukzessive nach links und rechts angewendet  werden.
 
·       So  wird der beste Schwellenwert aus einer Menge betrachteter Schwellenwerte  ermittelt. Alle Schwellenwerte zu testen (wie es ein Computer machen würde)  ist bei einer großen Anzahl von Karten zu mühsam, aber es sollten mit  Augenmaß und etwas ausprobieren versucht werden den besten Schwellenwert zu  finden gemessen an der Anzahl der Fehlklassifikationen.
 


Besprechung von Arbeitsblatt 4:
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.


Neben den Ergebnissen  der SuS sollte auf folgende Aspekte Wert gelegt werden:


·       Was ist ein Kriterium für einen „besten“ Schwellenwert? (Vergleichsweise wenig  falsch klassifizierte Karten)
<u>Einführung der Linealmethode</u>


·       Welcher ist der beste Schwellenwert für das jeweilige Merkmal?
Die [[Lineal-/Bleistiftmethode]] kann zunächst im Plenum basierend auf [https://unterrichtsmaterial-ddi.cs.upb.de/images/6/63/Pr%C3%A4sentation3_Schwellenwert_suchen.pptx Präsentation 3] erarbeitet werden. Dabei kann man schon Strategiehinweise geben wie man einen [https://unterrichtsmaterial-ddi.cs.upb.de/index.php?title=Lineal-/Bleistiftmethode&oldid=2680 Schwellenwert nach Augenmaß] wählen kann. Anhand von [https://unterrichtsmaterial-ddi.cs.upb.de/images/4/49/AB4_Schwellenwert_Suchen.docx Arbeitblatt 4] kann dies dann in Einzelarbeit eingeübt werden, um die Methode  danach in Kleingruppen mit den Datenkarten anzuwenden.




Aktivität:
<u>Besprechung von  Arbeitsblatt 4:</u>


Jede Zweiergruppe  arbeitet mit ihrem Kartensatz und bekommt ein Merkmal zugeteilt, für das eine  Entscheidungsregel gesucht wird. Alle Gruppen können mit unterschiedlichen  Merkmalen arbeiten. Dabei 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). Deshalb “genügt” es,  wenn die SuS einige Schwellenwerte ausprobieren.
Im Plenum werden die Ergebnisse verglichen und ggf. korrigiert. Die SuS können ihre Begründungen vortragen und diskutieren. Bei der Besprechung sollte insbesondere auf folgende Aspekte geachtet werden:


*Was  ist ein Kriterium für einen „besten“ Schwellenwert? (Anzahl falsch klassifizierte Karten/ Fehlklassifikationen)
*Welcher  ist der beste Schwellenwert für das jeweilige Merkmal?


Es wird eine Strategie  eingeführt, die das Suchen von Entscheidungsregeln erleichtert. Die  “Linealmethode” basiert auf dem Sortieren der Karten nach einem Merkmal,  einer Wahl eines ersten Schwellenwerts per Augenmaß mit einer Visualisierung  durch z. B. ein Lineal und ein anschließendes Vergleichen mit weiteren  Schwellenwerten.


<u>Aktivität:</u>


„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.!“
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 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). Optional kann Spielplan 1 als Unterstützung des Prozesses eingesetzt werden. DIe Dokumentation erfolgt auf [https://unterrichtsmaterial-ddi.cs.upb.de/images/4/4a/AB5_Entscheidungsregeln_Verlgeichen.docx Arbeitsblatt 5].  




Hintergrundinformationen:
<u>Hintergrundinformationen:</u>


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.
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 (siehe [[Lineal-/Bleistiftmethode]]). 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. Das Vorgehen entspricht nicht ganz dem eines Computers, da mit dessen Hilfe einfach alle in Frage kommenden Schwellenwerte ausprobiert werden können und er nicht über Augenmaß verfügt. Bei diesem "menschlichen" Vorgehen sollten natürlich trotz Augemaß immer einige unterschiedliche Schwellenwerte verglichen werden.
|
|




Zeile 649: Zeile 523:


Anzahl der falsch  klassifizierten Karten als Gütekriterium für eine Entscheidungsregel nutzen
Anzahl der falsch  klassifizierten Karten als Gütekriterium für eine Entscheidungsregel nutzen




Zeile 695: Zeile 533:


Anwenden der  „Linealmethode/ Bleistiftmethode“
Anwenden der  „Linealmethode/ Bleistiftmethode“
<br />
<br />
|
Arbeitsblatt 4




Zeile 735: Zeile 540:




<br />
|




Zeile 744: Zeile 551:




[https://unterrichtsmaterial-ddi.cs.upb.de/images/6/63/Pr%C3%A4sentation3_Schwellenwert_suchen.pptx Präsentation 3]




[https://unterrichtsmaterial-ddi.cs.upb.de/images/4/49/AB4_Schwellenwert_Suchen.docx Arbeitsblatt 4]








Arbeitsblatt 5
[https://unterrichtsmaterial-ddi.cs.upb.de/images/4/4a/AB5_Entscheidungsregeln_Verlgeichen.docx Arbeitsblatt 5]




Zeile 760: Zeile 569:
|'''Erstellen mehrstufiger  Entscheidungsbäume'''  
|'''Erstellen mehrstufiger  Entscheidungsbäume'''  


Motivation:
<u>Motivation:</u>
 
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.
 
 
Hintergrundinformationen:
 
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.
 
 
Anleitung
 
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.
 
 
Optionale  Aktivität:
 
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)
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 motiviert, 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.


·        Explizit darauf hinweisen, dass nur mit einem  Teildatensatz gearbeitet wurde für den zweiten Datensplit


·        Fazit: Jetzt sind wir näher dran am  ‚perfekten‘ Baum
<u>Hintergrundinformationen:</u>


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. Falls in einem der Teildatensätze nur grüne oder nur rote Label zu finden sind ("reiner" Teildatensatz), so braucht man für diesen Teildatensatz keine weitere Regel suchen. Ansonsten wird in jedem Ast des Baums mit einem  anderen Teildatensatz weitergearbeitet, um weitere Entscheidungsregeln  aufzustellen.


Auswertung der  lebendigen Statistik (des fertigen Baums):


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).
<u>Anleitung durch Lehrkraft</u>


Im Unterricht muss explizit darauf geachtet werden, dass  jeweils nur mit den Karten eines Teildatensatzes 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. Das kann entweder im Plenum mit Unterstützung von [https://unterrichtsmaterial-ddi.cs.upb.de/images/b/bd/Pr%C3%A4sentation4_Zweiter_Datensplit.pptx Präsentation 4] besprochen werden oder optional durch eine weitere Aktivität in der lebendigen Statistik  veranschaulicht werden. In [https://unterrichtsmaterial-ddi.cs.upb.de/images/b/bd/Pr%C3%A4sentation4_Zweiter_Datensplit.pptx Präsentation 4] kann man auch die Dokumentation eines mehrstufigen Baums gemäß [https://unterrichtsmaterial-ddi.cs.upb.de/images/5/5f/AB6_Zweiter_Datensplit.docx Arbeitsblatt 6] vorbesprechen.


Partnerphase:


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.
<u>''Optionale Aktivität - Lebendige Statistik:''</u>


1.       Beide  Teildatensätze aus dem Ersten Datensplit passend auf dem Spielplan Teil 1 ablegen
''In zweiter Stufe das  Merkmal Eiweiß (oder Zucker) ausprobieren.''


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.
''Vorgehen:''


3.       Einen Schwellenwert mit der „Linealmethode” finden und die Karten auf dem Spielplan Teil 2 ablegen
#''Jeder Schüler nimmt wieder eine Datenkarte''
#''Noch einmal bezüglich Energie und dem in der ersten lebendigen Statistik gewählten Schwellenwert in zwei Schülergruppen (Teildatensätze) aufteilen''
#''Zunächst kann der Status Quo diskutiert werden:''
#*''Anzahl der Fehler gemeinsam Auszählen''
#*''Feststellen, dass in der Gruppe mit der höheren Kalorienanzahl (über dem Schwellenwert) sich jetzt noch sowohl eher empfehlenswerte als auch eher nicht  empfehlenswerte Lebensmittel befinden. Also passieren dort noch Fehler und die Anzahl der Fehler soll nun noch durch einen weiteren Datensplit verringert werden.''
#''Explizit darauf hinweisen, dass nur mit einem  Teildatensatz gearbeitet wird für den zweiten Datensplit und dass die restlichen Karten (erstmal) beiseite gelegt werden können''
#''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)''
#''Erneutes Auszählen aller Fehlklassfikationen und vergleichen mit vorher''
#''Fazit: Jetzt sind wir näher an unserer Zielstellung dem ‚perfekten‘ Baum''


4.       Jetzt die zweite Teilgruppe nehmen (NICHT alle Karten) und ggf. ein anderes oder  das gleiche Merkmal wie in 2. nehmen
''An der Tafel dokumentieren: Ergebnis: Tafelbild mit Baumdiagramm wie auf AB5 (Dieser fertige Baum kann später noch genutzt werden, also dauerhaft konservieren,  z.B. auf Plakat).''


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
<u>Partnerarbeit:</u>


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 das nächste Merkmal frei aus.  Spielplan Teil 2 kann für die organisation der Datenkarten genutzt werden, um z.B. gerade nicht genutzte Karten passend abzulegen.


Zur Differenzierung für  schnelle Gruppen:
#Beide  Teildatensätze aus dem Ersten Datensplit passend auf dem Spielplan Teil 1 ablegen
#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.
#Einen  Schwellenwert mit der „Linealmethode” finden und die Karten auf dem Spielplan  Teil 2 ablegen
#Jetzt  die zweite Teilgruppe nehmen (NICHT alle Karten) und ggf. ein anderes oder  das gleiche Merkmal wie in 2. nehmen
#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
#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)
<u>Zur Differenzierung für schnelle Gruppen</u>


·       Optional:  Entscheidungsregeln formulieren (AB 6)
*Dritte  Stufe möglich machen (Hierfür kann Spielplan Teil 2 genutzt werden, indem  „einzelne Datensplits” durch Zerschneiden von Spielplan Teil 2 ausgelegt  werden)
*Weitere  Merkmale im zweiten Split ausprobieren
*Optional:  Entscheidungsregeln formulieren ([https://unterrichtsmaterial-ddi.cs.upb.de/images/2/24/AB7_Entscheidungsregeln_formulieren.docx Arbeitsblatt 7])




Diskussion der erstellten  Bäume
<u>Diskussion der erstellten  Bäume</u>


Jede Gruppe stellt  ihren Baum vor:
Jede Gruppe stellt  ihren Baum vor:


1.       Welche  Merkmale wurden benutzt? Und welche Schwellenwerte?
#Welche  Merkmale wurden benutzt? Und welche Schwellenwerte?
 
#Wörtlich  die Entscheidungsregeln formulieren
2.       Wörtlich  die Entscheidungsregeln formulieren
#Wie  viele Lebensmittel wurden damit richtig klassifiziert?<br /> Anschließend:
 
#Welcher Baum hat die meisten Lebensmittel richtig  klassifiziert?
3.       Wie  viele Lebensmittel wurden damit richtig klassifiziert?
 
 
Anschließend:
 
4.        Welcher Baum hat die meisten Lebensmittel richtig  klassifiziert?
 
 
Punkt 4 wird noch  einmal mit den sogenannten Testdaten in der nächsten Stunde überprüft,  möglicherweise ändert sich die Bewertung der Bäume dann.
 
 
Für die nächste  Aktivität werden die Entscheidungsbäume in der Klasse aufgehängt (bzw. durch  Lehrkraft eingesammelt). Diese werden in der nächsten Stunde nochmal  benötigt.
 


Reflexion:
Punkt 4 wird noch  einmal mit den sogenannten Testdaten in der nächsten Stunde überprüft,  möglicherweise ändert sich die Bewertung der Bäume dann. Für die nächste  Aktivität werden die Entscheidungsbäume in der Klasse aufgehängt (bzw. durch  Lehrkraft eingesammelt). Diese werden in der nächsten Stunde nochmal  benötigt.


·       Nun  haben wir weitere Entscheidungsregel(n) gefunden, diese sind mehrstufig.


·       Für  ein Merkmal haben wir ausprobiert/herausgefunden, wie wir eine Entscheidungsregel  begründet auswählen.
<u>Reflexion:</u>


·       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.
*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.


<u><br />Hausaufgabe:</u>


Hausaufgabe:
Jeder füllt eine  Blankokarte ([https://unterrichtsmaterial-ddi.cs.upb.de/Datei:AB8_Blankokarten.docx Arbeitsblatt 8] vorher passend zurechtschneiden) für ein  Lebensmittel zu Hause aus. Diese soll in der nächsten Stunde mit den  erstellten Bäumen klassifiziert werden.


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.


 
Optional kann   7 noch als weitere Übung für das Ausformulieren der  Entscheidungsregeln genutzt werden.
Optional kann Arbeitsblatt 7 noch als weitere Übung für das Ausformulieren der  Entscheidungsregeln genutzt werden.
|
|
Einführung in den  zweiten Datensplit
Einführung in den  zweiten Datensplit


Zeile 903: Zeile 669:




Mehrstufige  Entscheidungsregeln als Baumstruktur erkennen




 
Auszählen, wie viele Karten ein Baum richtig klassifiziert
 
 
 
 
 
 
 
 
 
Mehrstufige Entscheidungsregeln als Baumstruktur erkennen




Entscheidungsregeln  passend zum Baum verbal ausformulieren
Entscheidungsregeln  passend zum Baum verbal ausformulieren
Auszählen, wie viele  Karten ein Baum richtig klassifiziert


|
|
Zeile 928: Zeile 682:




[https://unterrichtsmaterial-ddi.cs.upb.de/images/b/bd/Pr%C3%A4sentation4_Zweiter_Datensplit.pptx Präsentation 4]




Zeile 942: Zeile 697:




Präsentation 3




Zeile 948: Zeile 702:




Spielplan Teil 2


[https://unterrichtsmaterial-ddi.cs.upb.de/images/5/5f/AB6_Zweiter_Datensplit.docx Arbeitsblatt 6]




Zeile 970: Zeile 726:




Spielplan Teil 2


Arbeitsblatt 6




Zeile 984: Zeile 738:




AB 6 einsammeln oder aufhängen


[https://unterrichtsmaterial-ddi.cs.upb.de/images/2/24/AB7_Entscheidungsregeln_formulieren.docx Arbeitsblatt 7] (opt.)


[https://unterrichtsmaterial-ddi.cs.upb.de/Datei:AB8_Blankokarten.docx Arbeitsblatt 8]
|-
|'''7a'''
<br />
|'''Testen verschiedener  Entscheidungsbäume anhand einer neuen Lebensmittelkarte'''


<u>Motivation:</u>


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 sich die Ergebnisse der verschiedenen Bäume bezogen auf das gleiche Lebensmittel unterscheiden können.




<u>Aktivität:</u>


Die Bäume (als  ausgefüllte AB 6 aus der vorherigen 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)




Mit einem  Beispiellebensmittel kann vorher demonstriert werden, wie das Durchlaufen  eines Baumes funktioniert! Optional kann dies mit [https://unterrichtsmaterial-ddi.cs.upb.de/images/e/eb/Pr%C3%A4sentation5_Baum_Anwenden.pptx Präsentation 5] vernanschaulicht werden.




<u>Reflexion:</u>


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?


#Die  Entscheidung eines Entscheidungsbaums ist mit Unsicherheit behaftet.
#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.
#Entscheidungen  eines Entscheidungsbaums können darüber hinaus mit gesundem Menschenverstand beurteilt  werden.
|








Entscheidungsbäume auf  ein neues Lebensmittel anwenden






„Unsicherheit“ im  Regelsystem erkennen
<br />


AB 6 einsammeln oder aufhängen
|




Zeile 1.016: Zeile 792:




[https://unterrichtsmaterial-ddi.cs.upb.de/images/e/eb/Pr%C3%A4sentation5_Baum_Anwenden.pptx Präsentation 5]




Zeile 1.021: Zeile 798:




 
<br />
Arbeitsblatt 7 (opt.)
 
Arbeitsblatt 8
|-
|-
|'''7a'''
|'''7b'''
<br />
<br />
|'''Testen verschiedener Entscheidungsbäume anhand einer neuen Lebensmittelkarte'''  
|'''Systematisches testen von Entscheidungsbäumen anhand mehrerer Testkarten'''  


Motivation:
<u>Motivation:</u>


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 nun 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.


<u><br />Aktivität:</u>


Aktivität:
Die Testkarten werdenj im Plenum eingeführt und mit Hilfe von Arbeitsblatt 9 mit Labeln versehen. Um die Entscheidunsgbäume wirklich zu testen, müssen vorher schon Label an der Karte sein, die man dann mit dem Ergebnis eines Baums vergleichen kann. Jede Gruppe testet mit den Testdaten den Baum der eigenen Gruppe (Ergebnis aus der vorherigen Stunde  auf AB6). Dafür wird jede Testkarte genommen und Baum klassifiziert. Passt das Ergebnis zum im PLenum gewählten Label zählt die Klassifikation als korrekt. Währenddessen dokumentieren die SuS, wie viele Karten der Baum “richtig” und “falsch”  klassifiziert hat. Am Ende kann auf AB 6 folgender Satz ergänzt werden: „Mit diesem Baum wurden von den Testdaten ___  Lebensmittel richtig klassifiziert und ____ Lebensmittel falsch  klassifiziert.”


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)


<u>Besprechung:</u>


Mit einem  Beispiellebensmittel kann vorher demonstriert werden, wie das Durchlaufen  eines Baumes funktioniert! Optional kann dies mit der Lehrpräsentation  „Präsentation4_Baum_Anwenden“ vernanschaulicht werden.
Im Plenum wird verglichen, wie gut die Bäume jeweils mit  Testdaten abschneiden.


Welcher Baum hat die meisten Lebensmittel von  den Testdaten richtig klassifiziert? Wie unterscheidet sich die Performance der Entscheidunsgbäume von Trainings- zu Testdaten


Reflexion:
<br />
 
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.
|
|


Zeile 1.064: Zeile 826:




Testkarten zum Prüfen  eines Baums nutzen




Einen Entscheidungs-baum  mit Testdaten bewerten




Entscheidungsbäume auf  ein neues Lebensmittel anwenden




Verschiedene Bäume  anhand von Tesdaten gegenüberstellen und bewerten<br />
|


„Unsicherheit“ im  Regelsystem erkennen
<br />
|






Testkarten


Arbeitsblatt 9


[https://unterrichtsmaterial-ddi.cs.upb.de/images/5/5f/AB6_Zweiter_Datensplit.docx Arbeitsblatt 6]








Präsentation 4




Zeile 1.093: Zeile 856:
<br />
<br />
|-
|-
|'''7'''
|'''8'''
<br />
<br />
|'''Systematisches testen von Entscheidungsbäumen anhand mehrerer Testkarten'''  
|'''Erstellen von Entscheidungsbäumen mit dem Computer'''  


Motivation:
<u>Motivation:</u>
 
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.
 
 
Aktivität:
 
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.
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.  


4.       Auf  AB 6 folgenden Satz ergänzen: „Mit diesem Baum wurden von den Testdaten ___  Lebensmittel richtig klassifiziert und ____ Lebensmittel falsch  klassifiziert.”


<u>Aktivität:</u>


Reflexion:
Um noch einmal zu  thematisieren, wie ein Computer algorithmisch vorgeht, um Schwellenwerte zu  finden, wird zunächst [https://unterrichtsmaterial-ddi.cs.upb.de/images/d/dd/AB10_Systematik.docx Arbeitsblatt 10] ausgefüllt.


·        Vergleichen, wie gut die Bäume jeweils mit  Testdaten abschneiden.


·       Welcher Baum hat die meisten Lebensmittel von  den Testdaten richtig klassifiziert?
Unter folgendem Links gibt es ein vorbereitetes Jupyter Notebook, das per „Click and play“ benutzt werden kann: <nowiki>https://go.upb.de/auto-baum</nowiki>


Computer könnte noch  schneller noch viel mehr Bäume erstellen, vergleichen und den „besten” Baum  auswählen.
Mit den folgenden LogIn Daten kann auf das Notebook zugegriffen werden.
|


Benutzer: jupyter


Passwort: upb_jupyter


Im Jupyter Notebook haben die SuS verschiedenen Aktivitäten. Die Benutzung so wie die Aufgabenstellungen sind für SuS (fast) selbsterklärend:


#Alle SuS vergeben zunächst wieder Label für den Trainingsdatensatz wie  in Stunde 2 (kann z:B. mit Hilfe von AB2 rekonstruiert werden).
#Anschließend wird durch den Computer automatisch ein  Entscheidungsbaum erstellt. DIe Tiefe des Baums kann dabei eingestellt werden, sodass etwas heruprobiert werden kann.
#Der automatisch erstellte Baum kann mit den Testdaten  überprüft werden.
#Am Ende können Daten für ein neues Lebensmittel  eingegeben werden und durch den Baum klassifiziert werden.


Testkarten zum Prüfen  eines Baums nutzen


Anmerkung zum Jupyter Notebook:


Einen Entscheidungs-baum  mit Testdaten bewerten
Im Jupyter Notebook arbeiten die SuS nur mit menübasierten Elementen. Der Quellcode ist versteckt. Um das Notebook "zu starten" empfehlen wir einmal in der obigen Menüleiste "Cell" auszuwählen und dann "Run all" anzuklicken. Damit werden alle Zellen des Notebooks in der richtigen Reihenfolge ausgeführt und von da an ist es nur noch über die interaktiven Menüs benutzbar. Wenn die Zellen jeeils einzeln mit "Run" ausgeführt werden, kann es zu Fehlermeldungen kommen.


<u><br />Vertiefungsmöglichkeit:</u>


Zum Vertiefen können  die Ausgangsdaten im Jupyter Notebook unterschiedlich mit Labeln versehen 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.




<u>Reflexion:</u>


Es sollte nach der Einheit reflektiert werden, wie die Entscheidungsbäume mit Hilfe des Computers erstellt wurden. Man sieht nur das Endergebnis, aber im Hintergrund ist vergleichbares passiert, wie beim manuellen Prozess mit den Datenkarten. 


Manueller Prozess:


*Merkmal auswählen und Karten danach sortieren
*Schwellenwerte ausprobieren
*Anzahl und falscher/korrekter Klassifikationen abhängig vom Schwellenwerten auswerten und damit Schwellenwerte/Entscheidungsregeln vergleichen


Verschiedene Bäume  anhand von Tesdaten gegenüberstellen und bewerten
Mit dem Computer ist es möglich alle Merkmale zu testen und alle sinnvollen Schwellenwerte auszuprobieren, d.h. bildliche formuliert für jede "Lücke" zwischen zwei Datenkarten wird ein Schwellenwert ausprobiert. Dabei wird jeweils die Anzahl der Fehlklassifikationen ausgewertet. Mit Hilfe des Computers wird also auf vergleichbare Art ein Entscheidungsbaum erstellt. Der Computer führt diese Schritte allerdings viel schneller aus und somit können mehr Merkmale und Schwellenwerte ausprobiert werden. Diesen automatisierten Erstellungsprozess eines Entscheidungsmodells ist eine Form von (überwachtem) maschinellen Lernen.
<br />
|
|




Einen Entscheidungs-baum  maschinell erstellen lassen




Zeile 1.151: Zeile 916:




Testkarten


Arbeitsblatt 9


Arbeitsblatt 6




Zeile 1.165: Zeile 927:




<br />
Einfluss von Daten auf  das Ergebnis untersuchen
|-
|'''8'''
<br />
|'''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.
 
 
Aktivität:
 
1. Um noch einmal zu verstehen, wie ein Computer algorithmisch vorgeht, um Schwellenwerte zu  finden, wird zunächst AB 10 ausgefüllt.
 
2. Auf der Website <nowiki>https://go.upb.de/auto-baum</nowiki>  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.




Anmerkung:


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.




Vertiefungsmöglichkeit:


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.




Reflexion:


·        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?
<br />
<br />
|
|
Zeile 1.221: Zeile 948:




[https://unterrichtsmaterial-ddi.cs.upb.de/images/d/dd/AB10_Systematik.docx <br />Arbeitsblat 10]


Einen Entscheidungs-baum  maschinell erstellen lassen
Computer




Zeile 1.236: Zeile 964:




Einfluss von Daten auf  das Ergebnis untersuchen
|




Zeile 1.252: Zeile 974:




Arbeitsblatt 10


Computer oder Tablet




Zeile 1.281: Zeile 1.001:
'''Was hat uns das Erstellen des  Entscheidungsbaums gebracht?'''
'''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.
Wir haben nun Erkenntnisse über die  Rolle verschiedener Merkmale von Lebensmitteln erlangt:


·       Frage: Welche Hinweise geben uns  unsere Bäume? (Bezug zu formulierten Regeln) (z.B. verschiedene Merkmale müssen einbezogen werden, nicht nur eins allein)
*Es reicht nicht ein Merkmal zu betrachten, um zu entscheiden ob eine Lebenmittel empfehlenswert ist.
*Die Merkmale Fett, Zucker und Energie sind besonders gute Indikatoren (dürfen allerdings nicht alleine als Entscheidungskriterium genutzt werden)
*Es ist möglich durch das Erstellen von Entscheidungsbäumen Erkenntnisse zu gewinnen und zu visualisieren, die in Daten verborgen liegen
*Konkrete Bäume aus dem Unterricht können nocheinmal als Grundlage genommen werden die Entscheidungsregeln zu replizieren




'''Welche Schwächen kann der Entscheidungsbaum haben?'''
'''Welche Schwächen kann der Entscheidungsbaum haben?'''


·       Ein resultierender Entscheidungsbaum  ist KEIN absolut gültiges Regelsystem für empfehlenswerte Lebensweise, ABER  er kann uns trotzdem gute Hinweise geben.
Ein resultierender Entscheidungsbaum  ist kein absolut gültiges Regelsystem für empfehlenswerte Lebensweise, aber er kann uns trotzdem gute Hinweise geben. Wir haben gesehen, dass die Entscheidungsbäume auch immer Fehler machen können.
 
·       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.




Welche Schritte haben wir absolviert, um den  Entscheidungsbaum zu erstellen?
Gründe für Schwächen die auf Daten zurückzuführen sind:


·       Karten sortieren
*Die Daten wurden eher intuitiv mit Label versehen. Bei der Zuordnung von eher empfehlenswert/eher nicht empfehlenswert war sich die Klasse nicht immer einig bzw. sicher. Mit der Modellierung der Daten steht und fällt die Güte des Entscheidungsbaums. (ggf. Verweis auf Phase 8 wenn im Jupyter Notebook ein durchlauf mit Daten gemacht wurde die zufällig bzw. falsch gelabelt wurden) --> Daten sind als Grundlage für die Lösung der wichtigste Baustein
*Vielleicht gibt es noch weitere wichtige Merkmale von Lebensmitteln die gar nicht erhoben wurden gar nicht erhoben. (Zum  Beispiel Ballaststoffe)


·        Schwellenwerte  ausprobieren
Gründe für Schwächen die auf den Kontext zurückzuführen sind:


·        Richtige und falsche Klassifikationen abhängig von den Schwellenwerten auswerten und  damit Schwellenwerte/Entscheidungsregeln vergleichen
*Eine empfehlenswerte Ernährung ist in erster Linie vielseitig und nicht eins zu eins durch einen Entscheidungsbaum abzudecken.




'''Zentrale Erkenntnis:'''
'''Zentrale Erkenntnis:'''


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).
Ein Entscheidungsbaum ist eine mögliche Form dessen, 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).


<u>Vertiefung:</u>


Wofür haben wir den Entscheidungsbaum genutzt?
*Für  welche Situationen können Entscheidungsbäume hilfreich sein? Gib ein Beispiel  an. (z.B. personalisierte Werbung, Vorschläge auf online Plattformen)
*Als Zielmerkmal wird dabei vorhergesagt ob einer Person beispielsweise ein Produkt, ein Film etc. gefällt. Das Zielmerkmal in dieser Reihe war ob das Lebensmittel empfehlenswert oder nicht empfehlenswert ist.
*Welche  Daten werden dafür benötigt? Es werden Daten über verschiedene Merkmale des Verhaltens einzelner Personen gesammelt. Diese Merkmale werden dann genutzt um Entscheidungsregeln aufzustellen, ähnlich zu den Nährwertangaben in der Unterrichtsreihe.
*Mit Daten von vielen Nutzern werden dann passende Entscheidungsmodell erstellt die versuchen vorherzusagen, ob mir ein Produkt gefällt um es mir dann anzuzeigen.  <br />
|Prozess beim Erstellen  eines Entscheidungs-baums rekapitulieren


·        Um  neue Lebensmittel zu klassifizieren


·        Um  zu erklären, was “eher empfehlenswert” und “eher nicht empfehlenswert” bei  Lebensmitteln ist




Was kann ein Computer besonders gut, wenn er Entscheidungsbäume  erstellt?


·       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?
<br />
|Prozess beim Erstellen  eines Entscheidungs-baums rekapitulieren




Ergebnisse kritisch  beurteilen
Ergebnisse kritisch  beurteilen


Modellierung durch  Daten aufgreifen
Modellierung durch  Daten aufgreifen


<br />
|
|


Zeile 1.351: Zeile 1.054:
|'''Evaluation'''
|'''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.
Bitte als Abschluss der  Unterrichtsreihe den Schülerinnen und Schülern das [https://unterrichtsmaterial-ddi.cs.upb.de/images/8/82/AB11_Evaluation.docx 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.
Das Arbeitsblatt findet  sich auch digitalisiert auf einem Server datenschutzrechtlich unbedenklich  der Universität Paderborn.


Die eingescannten  Arbeitsblätter schicken Sie bitte per E-Mail an [[Mailto:podworny@math.upb.de|podworny@math.upb.de]]; alternativ kann  die anonyme Evaluation unter <nowiki>https://go.upb.de/ev-lebensmittel</nowiki>  von den SuS ausgefüllt werden.
Die eingescannten  Arbeitsblätter schicken Sie bitte per E-Mail an podworny@math.uni-paderborn.de; alternativ kann  die anonyme Evaluation unter <nowiki>https://go.upb.de/ev-lebensmittel</nowiki>  von den SuS ausgefüllt werden.




Herzlichen Dank dafür!
Herzlichen Dank dafür!
|Rückmeldung geben
|Rückmeldung geben
|Arbeitsblatt 11  
|[https://unterrichtsmaterial-ddi.cs.upb.de/images/8/82/AB11_Evaluation.docx Arbeitsblatt 11]  


(oder digital: siehe Link)
(oder digital: siehe Link)
Zeile 1.415: Zeile 1.118:
'''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.  
'''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.  
'''Überwachtes maschinelles Lernen (engl.: supervised learning)''' Überwachtes maschinelles Lernen wird angewandt, um Entscheidungsmodelle zu erstellen, die für eine bestimmte Art von Objekten vorhersagen über ein Zielmerkmal treffen zu können. (z.B. Klassifizieren von Lebensmitteln als “eher empfehlenswert” und “eher nicht empfehlenswert”). Damit das überwachte Lernen angewandt werden kann, benötigt man zuerst digitale Repräsentationen von Objekten, worin die Objekte anhand bestimmer (Prädiktor-)Merkmale beschrieben sind (z. B. Lebensmittel, die durch Nährwertangaben repräsentiert sind). Zusätzlich müssen für alle Objekte die gewünschten Ausprägungen des Zielmerkmals (z.B. eher empfehlenswert/eher nicht empfehlenswert) bekannt sein. 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. Mit diesen Daten können mit Hilfe von Lernalgorithmen verschiedene Arten von Regelsystemen/Entscheidungsmodellen (z.B. Entscheidungsbaum, neuronales Netz) erstellt werden. Den Erstellungprozess nennt man auch “Lernprozess” oder "Trainingsprozess" und die Daten, die dafür genutzt werden, nennt man Trainingsdaten. 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 ersten Schritt wird ein Entscheidungsmodell also so trainiert, dass es die Trainingsdaten korrekt zuordnet. Zielstellung ist es aber eigentlich, dass das Entscheidungsmodell über die Trainingsdaten hinaus funktioniert und auch neue Objekte (z.B. neue Lebensmittel) korrekt zuordnet. Im Anschluss wird das Entscheidungsmodell 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 Ausprägung des Zielmerkmals bekannt ist und daher genau überwacht werden kann, wie gut des erstellte Entscheidungsmodell für die Daten funktioniert. Ein solches gut funktionierendes Entscheidungsmodell kann man als KI bezeichnen.       


4
*
1 U.-Std. Einführung: Aufstellen einer Entschei-dungsregel 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. Einstufige Entscheidungs-bäume selbst erstellen 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
<br />
1 U.-Std. Mehrstufige Entscheidungs-bäume erstellen 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. Entscheidungs-bäume mit neuen Daten testen 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.
 
8
1 U.-Std. Automatisiert Entscheidungs-bäume mit dem Computer erstellen 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.
 
9
1 U.-Std. Reflexion 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.

Aktuelle Version vom 11. März 2024, 10:53 Uhr


Download aller Materialien gesammelt als ZIP-Ordner: Unterrichtsreihe_Datenkarten.zip

Übersicht

{{#if:Datei:ProDaBi Logo.png|

}}

{{#if:Entscheidungsbäume| }} {{#if:Yannik Fleischer, Susanne Podworny| }} {{#if:Media:Nutri-Score und Entscheidungsbäume.pdf| {{#if:Nutri-Score und Entscheidungsbäume| | }} }} {{#if:| {{#if:| | }} }} {{#if:| {{#if:| | }} }} {{#if:| {{#if:| | }} }} {{#if:| {{#if:| | }} }} {{#if:| }}
Themenfeld Entscheidungsbäume
Autor Yannik Fleischer, Susanne Podworny
Editiert am 11.3.2024
Material Nutri-Score und Entscheidungsbäume
Material Media:Nutri-Score und Entscheidungsbäume.pdf
[[:|]]
[[:|]]
[[:|]]
[[:|]]
[[:|]]
[[:|]]
[[:|]]
[[:|]]
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.

Abbildung 1: Beispiele Datenkarten über Lebensmittel

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...

  • können einen Entscheidungsbaum als Regelsystem zum Klassifizieren von Objekten anwenden.
  • verstehen eine Datenkarte als Repräsentation eines Objekts, auf dem die Ausprägungen verschiedener Merkmale dieses Objekts erfasst sind.
  • 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

Download: Druckvorlage für die Datenkarten inkl. Anleitung

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 Phase 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.


Aktivität:

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 – alle malen 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.


Besprechung im Plenum

Anhand von Präsentation 1 und 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 ‘vortrainiert’, 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 von Objekten 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.”


Vertiefungsmöglichkeit:

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



KI-Systeme können Dinge einer Klasse zuordnen (Klassifikation)


Für maschinelles Lernen benötigt man Beispiele mit dem passenden Label einer Klasse (Trainingsdaten)

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 allerdings 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. Somit kann ein Lebensmittel durch eine Liste von Zahlen (Nährwertangaben) repräsentiert werden. Außerdem soll diese Stunde die SuS hinführend zu einer Unterscheidung von "eher empfehlenswerten" und "eher nicht empfehlenswerten Lebensmitteln" Grundlage dafür, ob ein Lebensmittel empfehlenswert ist, kann zum Beispiel die Ernährungspyramide der DGE sein.


Aktivität:

  • Verschiedene Lebensmittel(-verpackungen) präsentieren (z.B. Knäckebrot, Chips, Gummibärchen, Salami, etc.)
  • Verschiedene Fragen können diskutiert werden: „Welche Daten findet ihr hier?“ - „Welche Rolle können Daten für unsere Ernährung spielen?“ - „Warum stehen diese Daten auf allen Lebensmittelverpackungen?
  • Optionaler Input (ggf. Kooperation mit Biologieunterricht): Nährstoffgruppen: Man braucht verschiedene Nährstoffgruppen, am besten täglich. Angaben findet man vor allem über allem Kohlenhydrate, Eiweiß, Fett, Salz, Zucker. Wovon sollte man eher viel oder eher weniger essen?


Material 3D-Ernährungspyramide:

https://www.dge.de/fileadmin/public/doc/fs/3dlmp/200714-DGE-Arbeitsblaetter-03-formular.pdf


Begriffe: Objekt, Merkmal, Merkmalsausprägung, Klassifikation





Nährwertangaben verstehen


Èinführung in Begrifflichkeiten rund um Daten




Verpackte Lebensmittel mit Nährwertangaben


Arbeitsblatt 1


Ernaehrungs-pyramide (zum Basteln für die SuS)

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.


Aktivität

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.


Besprechung der Aktivität

Es wird ein allgemeinen Konsens hergestellt, welche Nahrungsmittel welches Label erhält. Zwei Möglichkeiten:

  • Abstimmung im Plenum,
  • Abstimmung in Onlineumfrage (als HA möglich, entlastet Unterrichtszeit, stärkere Vorbereitung der Diskussion möglich)

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:

  1. Jede Schüler:innengruppe bekommt ein Kartenspiel (die Karten auf jeden Fall in der Reihenfolge lassen, wie sie in der Schachtel sind, damit alle SuS die Karten in der gleichen Reihenfolge vorliegen haben)
  2. Gemeinsam wird besprochen und festgelegt, welches Label die erste blaue Datenkarte (Haselnussschnitte) bekommen soll. Zunächst wird einfach abgestimmt. Wenn keine klare Mehrheit zustande kommt, wird diskutiert.
  3. Falls auch nach der Diskussion keine Einigkeit erzielt wird, kann die Karte beiseitegelegt werden. Andernfalls stecken alle Schüler eine passend farbige Büroklammer an die Datenkarte.
  4. 2. und 3. werden für die weiteren Karten wiederholt

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.


Jede Schülergruppe und die Lehkraft haben im Anschluss einen nach Klassen-konsens mit Labeln versehenen Datensatz. Arbeitsblatt 2 kann im späteren Unterrichtsverlauf als Erinnerung dienen, welche Karte in welcher Farbe gelabelt wurde, falls zwischen den Unterrichtsstunden Label abgefallen sind.


Begriffe: Daten, Beispiel, Objekt, Merkmal


Labeln von Lebensmittelkarten = Modellierung der Realität


Maschinellen Lernprozess vorbereiten durch Herstellen eines geeigneten einheitlichen Trainingsdatensatzes




Arbeitsblatt 2

(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.


Erarbeiten der Zielstellung für das Erstellen einer Entscheidungsregel:

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.


Aktivität:

Lebendige Statistik durchführen, um das bilden von Datensplits und das vergleichen von Schwellenwerten zu thematisieren:

  1. Alle SuS gehen nach vorne und holen sich eine gelabelte Karte ab und repräsentiert nun das Lebensmittel auf der Karte
  2. Die Lehrkraft erläutert zunächst, dass nun eine Entscheidungsregel gesucht wird und formuliert die Zielstellung (s.o.). Nun gibt sie ein Merkmal und einen Schwellenwert vor (z.B. Energie, 350 kcal) und dann wird der Datensplit in der Klasse am Merkmal Energie durchgeführt. Das bedeutet: Alle, die eine Karte mit einem Energiewert ≤ 350 haben, gehen nach links, alle mit einem Energiewert >350 gehen nach rechts. Daraus entstehen zwei Teildatensätze.
  3. Nun wird per Handzeichen erhoben, wie die Anzahlen von ‚eher empfehlenswert‘ und ‚eher nicht empfehlenswert‘ in den Teildatensätzen sind und an der Tafel festhalten
  4. Den Baum an der Tafel mitzeichnen als Strukturierungshilfe für SuS (s.u. )
  5. Diskussion: In welcher Teilgruppe befinden sich eher empfehlenswerte Lebensmittel? Ziel: Aufstellen und Verbalisieren einer Entscheidungsregel per Mehrheitsentscheidung. ("Wenn ein Lebensmittel weniger als 350 kcal hat...")
  6. Vorgeben eines weiteren Schwellenwertes und Wiederholen der Prozedur (z.B. Minimum der eher nicht empfehlenswerten Lebensmittel)
  7. Vergleich der beiden Datensplits (Bei welchem ist die Anzahl der Fehlklassifikationen niedriger?)
  8. Geben eines weiteren Schwellenwerts und Wiederholen der Prozedur
  9. Vergleich der drei Datensplits (Welcher ist der beste?)


Hinweis zur Durchführung der lebendigen Statistik

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.


Reflexion:

Zur Aktivität

  • Für ein Merkmal haben wir ausprobiert/herausgefunden, wie wir durch mit verschiedenen Schwellenwerten Entscheidungsregeln aufstellen und vergleichen können. Von allen in Betracht gezogenen können wir sogar die beste Regel finden.
  • Eine Entscheidungsregel ist schon ein kleiner Entscheidungsbaum mit nur einer Ebene (Aber: Der Baum ist noch nicht sehr gut, da er noch einige Fehler macht)
  • Jetzt: Wir wollen nun noch mehr Entscheidungsregeln überprüfen
  • Später: können dann noch Entscheidungsregeln in der nächsten Ebene dazukommen

Ausblick maschinelles Lernen- Kann ein Computer das auch?:

  • Der Computer kann Schwellenwerte ausprobieren und die “beste” Regel für das gewählte Merkmal finden, wenn man ihn passend programmiert. Solche AUfgaben erldigt der Computer schneller als ein Mensch
  • Außerdem kann der Computer alle Merkmale und alle denkbaren Schwellenwerte ausprobieren.


Hausaufgabe

  • Übungen zum Nutzen von Schwellenwerten in der Baumdarstellung (AB3_SchwellenwertAnwenden)
  • optionale weitere HAusaufgabe: Mathematische Wiederholung <, >, ≤, ≥ Zeichen (z.B. https://anton.app/de/lernen/mathematik-5-klasse/thema-01-natuerliche-und-ganze-zahlen/uebungen-04-zahlen-ordnen-vergleichen/)


Begriffe: Schwellenwert, Datensplit

Einführung des Datensplit als Grundkonzept von Entscheidungsbäumen


Einführung des Schwellenwerts als Möglichkeit Datensplits herzustellen


Datenbasiert Entscheidungsregeln aufstellen











Präsentation 2




Rumpfdatensatz

(in einer Variante für 22 oder 28 SuS)


























Arbeitsblatt 3

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.


Einführung der Linealmethode

Die Lineal-/Bleistiftmethode kann zunächst im Plenum basierend auf Präsentation 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.


Besprechung von Arbeitsblatt 4:

Im Plenum werden die Ergebnisse verglichen und ggf. korrigiert. Die SuS können ihre Begründungen vortragen und diskutieren. Bei der Besprechung sollte insbesondere auf folgende Aspekte geachtet werden:

  • Was ist ein Kriterium für einen „besten“ Schwellenwert? (Anzahl falsch klassifizierte Karten/ Fehlklassifikationen)
  • Welcher ist der beste Schwellenwert für das jeweilige Merkmal?


Aktivität:

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 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). Optional kann Spielplan 1 als Unterstützung des Prozesses eingesetzt werden. DIe Dokumentation erfolgt auf Arbeitsblatt 5.


Hintergrundinformationen:

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 (siehe Lineal-/Bleistiftmethode). 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. Das Vorgehen entspricht nicht ganz dem eines Computers, da mit dessen Hilfe einfach alle in Frage kommenden Schwellenwerte ausprobiert werden können und er nicht über Augenmaß verfügt. Bei diesem "menschlichen" Vorgehen sollten natürlich trotz Augemaß immer einige unterschiedliche Schwellenwerte verglichen werden.




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


Finden eines „besten“ Schwellenwerts


Anwenden der „Linealmethode/ Bleistiftmethode“









Präsentation 3


Arbeitsblatt 4



Arbeitsblatt 5


Spielplan 1 (optional)

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 motiviert, 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.


Hintergrundinformationen:

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. Falls in einem der Teildatensätze nur grüne oder nur rote Label zu finden sind ("reiner" Teildatensatz), so braucht man für diesen Teildatensatz keine weitere Regel suchen. Ansonsten wird in jedem Ast des Baums mit einem anderen Teildatensatz weitergearbeitet, um weitere Entscheidungsregeln aufzustellen.


Anleitung durch Lehrkraft

Im Unterricht muss explizit darauf geachtet werden, dass jeweils nur mit den Karten eines Teildatensatzes 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. Das kann entweder im Plenum mit Unterstützung von Präsentation 4 besprochen werden oder optional durch eine weitere Aktivität in der lebendigen Statistik veranschaulicht werden. In Präsentation 4 kann man auch die Dokumentation eines mehrstufigen Baums gemäß Arbeitsblatt 6 vorbesprechen.


Optionale Aktivität - Lebendige Statistik:

In zweiter Stufe das Merkmal Eiweiß (oder Zucker) ausprobieren.

Vorgehen:

  1. Jeder Schüler nimmt wieder eine Datenkarte
  2. Noch einmal bezüglich Energie und dem in der ersten lebendigen Statistik gewählten Schwellenwert in zwei Schülergruppen (Teildatensätze) aufteilen
  3. Zunächst kann der Status Quo diskutiert werden:
    • Anzahl der Fehler gemeinsam Auszählen
    • Feststellen, dass in der Gruppe mit der höheren Kalorienanzahl (über dem Schwellenwert) sich jetzt noch sowohl eher empfehlenswerte als auch eher nicht empfehlenswerte Lebensmittel befinden. Also passieren dort noch Fehler und die Anzahl der Fehler soll nun noch durch einen weiteren Datensplit verringert werden.
  4. Explizit darauf hinweisen, dass nur mit einem Teildatensatz gearbeitet wird für den zweiten Datensplit und dass die restlichen Karten (erstmal) beiseite gelegt werden können
  5. 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)
  6. Erneutes Auszählen aller Fehlklassfikationen und vergleichen mit vorher
  7. Fazit: Jetzt sind wir näher an unserer Zielstellung dem ‚perfekten‘ Baum

An der Tafel dokumentieren: Ergebnis: Tafelbild mit Baumdiagramm wie auf AB5 (Dieser fertige Baum kann später noch genutzt werden, also dauerhaft konservieren, z.B. auf Plakat).


Partnerarbeit:

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 das nächste Merkmal frei aus. Spielplan Teil 2 kann für die organisation der Datenkarten genutzt werden, um z.B. gerade nicht genutzte Karten passend abzulegen.

  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


Zur Differenzierung für schnelle Gruppen

  • Dritte Stufe möglich machen (Hierfür kann Spielplan Teil 2 genutzt werden, indem „einzelne Datensplits” durch Zerschneiden von Spielplan Teil 2 ausgelegt werden)
  • Weitere Merkmale im zweiten Split ausprobieren
  • Optional: Entscheidungsregeln formulieren (Arbeitsblatt 7)


Diskussion der erstellten Bäume

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?
    Anschließend:
  4. Welcher Baum hat die meisten Lebensmittel richtig klassifiziert?

Punkt 4 wird noch einmal mit den sogenannten Testdaten in der nächsten Stunde überprüft, möglicherweise ändert sich die Bewertung der Bäume dann. Für die nächste Aktivität werden die Entscheidungsbäume in der Klasse aufgehängt (bzw. durch Lehrkraft eingesammelt). Diese werden in der nächsten Stunde nochmal benötigt.


Reflexion:

  • 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.


Hausaufgabe:

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.


Optional kann 7 noch als weitere Übung für das Ausformulieren der Entscheidungsregeln genutzt werden.

Einführung in den  zweiten Datensplit











Mehrstufige Entscheidungsregeln als Baumstruktur erkennen


Auszählen, wie viele Karten ein Baum richtig klassifiziert


Entscheidungsregeln passend zum Baum verbal ausformulieren



Präsentation 4










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 sich die Ergebnisse der verschiedenen Bäume bezogen auf das gleiche Lebensmittel unterscheiden können.


Aktivität:

Die Bäume (als ausgefüllte AB 6 aus der vorherigen 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)


Mit einem Beispiellebensmittel kann vorher demonstriert werden, wie das Durchlaufen eines Baumes funktioniert! Optional kann dies mit Präsentation 5 vernanschaulicht werden.


Reflexion:

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 können darüber hinaus mit gesundem Menschenverstand beurteilt werden.



Entscheidungsbäume auf ein neues Lebensmittel anwenden


„Unsicherheit“ im Regelsystem erkennen





Präsentation 5




7b


Systematisches testen von Entscheidungsbäumen anhand mehrerer Testkarten

Motivation:

Um die Unsicherheiten in Entscheidungsbäumen systematisch weiter zu untersuchen, testet nun 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.


Aktivität:

Die Testkarten werdenj im Plenum eingeführt und mit Hilfe von Arbeitsblatt 9 mit Labeln versehen. Um die Entscheidunsgbäume wirklich zu testen, müssen vorher schon Label an der Karte sein, die man dann mit dem Ergebnis eines Baums vergleichen kann. Jede Gruppe testet mit den Testdaten den Baum der eigenen Gruppe (Ergebnis aus der vorherigen Stunde auf AB6). Dafür wird jede Testkarte genommen und Baum klassifiziert. Passt das Ergebnis zum im PLenum gewählten Label zählt die Klassifikation als korrekt. Währenddessen dokumentieren die SuS, wie viele Karten der Baum “richtig” und “falsch” klassifiziert hat. Am Ende kann auf AB 6 folgender Satz ergänzt werden: „Mit diesem Baum wurden von den Testdaten ___ Lebensmittel richtig klassifiziert und ____ Lebensmittel falsch klassifiziert.”


Besprechung:

Im Plenum wird verglichen, wie gut die Bäume jeweils mit Testdaten abschneiden.

Welcher Baum hat die meisten Lebensmittel von den Testdaten richtig klassifiziert? Wie unterscheidet sich die Performance der Entscheidunsgbäume von Trainings- zu Testdaten




Testkarten zum Prüfen eines Baums nutzen


Einen Entscheidungs-baum mit Testdaten bewerten



Verschiedene Bäume anhand von Tesdaten gegenüberstellen und bewerten



Testkarten

Arbeitsblatt 9

Arbeitsblatt 6






8


Erstellen von Entscheidungsbäumen mit dem Computer

Motivation:

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.  


Aktivität:

Um noch einmal zu thematisieren, wie ein Computer algorithmisch vorgeht, um Schwellenwerte zu finden, wird zunächst Arbeitsblatt 10 ausgefüllt.


Unter folgendem Links gibt es ein vorbereitetes Jupyter Notebook, das per „Click and play“ benutzt werden kann: https://go.upb.de/auto-baum

Mit den folgenden LogIn Daten kann auf das Notebook zugegriffen werden.

Benutzer: jupyter

Passwort: upb_jupyter

Im Jupyter Notebook haben die SuS verschiedenen Aktivitäten. Die Benutzung so wie die Aufgabenstellungen sind für SuS (fast) selbsterklärend:

  1. Alle SuS vergeben zunächst wieder Label für den Trainingsdatensatz wie in Stunde 2 (kann z:B. mit Hilfe von AB2 rekonstruiert werden).
  2. Anschließend wird durch den Computer automatisch ein Entscheidungsbaum erstellt. DIe Tiefe des Baums kann dabei eingestellt werden, sodass etwas heruprobiert werden kann.
  3. Der automatisch erstellte Baum kann mit den Testdaten überprüft werden.
  4. Am Ende können Daten für ein neues Lebensmittel eingegeben werden und durch den Baum klassifiziert werden.


Anmerkung zum Jupyter Notebook:

Im Jupyter Notebook arbeiten die SuS nur mit menübasierten Elementen. Der Quellcode ist versteckt. Um das Notebook "zu starten" empfehlen wir einmal in der obigen Menüleiste "Cell" auszuwählen und dann "Run all" anzuklicken. Damit werden alle Zellen des Notebooks in der richtigen Reihenfolge ausgeführt und von da an ist es nur noch über die interaktiven Menüs benutzbar. Wenn die Zellen jeeils einzeln mit "Run" ausgeführt werden, kann es zu Fehlermeldungen kommen.


Vertiefungsmöglichkeit:

Zum Vertiefen können die Ausgangsdaten im Jupyter Notebook unterschiedlich mit Labeln versehen 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.


Reflexion:

Es sollte nach der Einheit reflektiert werden, wie die Entscheidungsbäume mit Hilfe des Computers erstellt wurden. Man sieht nur das Endergebnis, aber im Hintergrund ist vergleichbares passiert, wie beim manuellen Prozess mit den Datenkarten.

Manueller Prozess:

  • Merkmal auswählen und Karten danach sortieren
  • Schwellenwerte ausprobieren
  • Anzahl und falscher/korrekter Klassifikationen abhängig vom Schwellenwerten auswerten und damit Schwellenwerte/Entscheidungsregeln vergleichen

Mit dem Computer ist es möglich alle Merkmale zu testen und alle sinnvollen Schwellenwerte auszuprobieren, d.h. bildliche formuliert für jede "Lücke" zwischen zwei Datenkarten wird ein Schwellenwert ausprobiert. Dabei wird jeweils die Anzahl der Fehlklassifikationen ausgewertet. Mit Hilfe des Computers wird also auf vergleichbare Art ein Entscheidungsbaum erstellt. Der Computer führt diese Schritte allerdings viel schneller aus und somit können mehr Merkmale und Schwellenwerte ausprobiert werden. Diesen automatisierten Erstellungsprozess eines Entscheidungsmodells ist eine Form von (überwachtem) maschinellen Lernen.


Einen Entscheidungs-baum maschinell erstellen lassen









Einfluss von Daten auf das Ergebnis untersuchen











Arbeitsblat 10

Computer























9 Reflexion

Was hat uns das Erstellen des Entscheidungsbaums gebracht?

Wir haben nun Erkenntnisse über die Rolle verschiedener Merkmale von Lebensmitteln erlangt:

  • Es reicht nicht ein Merkmal zu betrachten, um zu entscheiden ob eine Lebenmittel empfehlenswert ist.
  • Die Merkmale Fett, Zucker und Energie sind besonders gute Indikatoren (dürfen allerdings nicht alleine als Entscheidungskriterium genutzt werden)
  • Es ist möglich durch das Erstellen von Entscheidungsbäumen Erkenntnisse zu gewinnen und zu visualisieren, die in Daten verborgen liegen
  • Konkrete Bäume aus dem Unterricht können nocheinmal als Grundlage genommen werden die Entscheidungsregeln zu replizieren


Welche Schwächen kann der Entscheidungsbaum haben?

Ein resultierender Entscheidungsbaum ist kein absolut gültiges Regelsystem für empfehlenswerte Lebensweise, aber er kann uns trotzdem gute Hinweise geben. Wir haben gesehen, dass die Entscheidungsbäume auch immer Fehler machen können.


Gründe für Schwächen die auf Daten zurückzuführen sind:

  • Die Daten wurden eher intuitiv mit Label versehen. Bei der Zuordnung von eher empfehlenswert/eher nicht empfehlenswert war sich die Klasse nicht immer einig bzw. sicher. Mit der Modellierung der Daten steht und fällt die Güte des Entscheidungsbaums. (ggf. Verweis auf Phase 8 wenn im Jupyter Notebook ein durchlauf mit Daten gemacht wurde die zufällig bzw. falsch gelabelt wurden) --> Daten sind als Grundlage für die Lösung der wichtigste Baustein
  • Vielleicht gibt es noch weitere wichtige Merkmale von Lebensmitteln die gar nicht erhoben wurden gar nicht erhoben. (Zum Beispiel Ballaststoffe)

Gründe für Schwächen die auf den Kontext zurückzuführen sind:

  • Eine empfehlenswerte Ernährung ist in erster Linie vielseitig und nicht eins zu eins durch einen Entscheidungsbaum abzudecken.


Zentrale Erkenntnis:

Ein Entscheidungsbaum ist eine mögliche Form dessen, 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).

Vertiefung:

  • Für welche Situationen können Entscheidungsbäume hilfreich sein? Gib ein Beispiel an. (z.B. personalisierte Werbung, Vorschläge auf online Plattformen)
  • Als Zielmerkmal wird dabei vorhergesagt ob einer Person beispielsweise ein Produkt, ein Film etc. gefällt. Das Zielmerkmal in dieser Reihe war ob das Lebensmittel empfehlenswert oder nicht empfehlenswert ist.
  • Welche Daten werden dafür benötigt? Es werden Daten über verschiedene Merkmale des Verhaltens einzelner Personen gesammelt. Diese Merkmale werden dann genutzt um Entscheidungsregeln aufzustellen, ähnlich zu den Nährwertangaben in der Unterrichtsreihe.
  • Mit Daten von vielen Nutzern werden dann passende Entscheidungsmodell erstellt die versuchen vorherzusagen, ob mir ein Produkt gefällt um es mir dann anzuzeigen.
Prozess beim Erstellen eines Entscheidungs-baums rekapitulieren





Ergebnisse kritisch beurteilen

Modellierung durch Daten aufgreifen

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.


Herzlichen Dank dafür!

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 (engl.: supervised learning) Überwachtes maschinelles Lernen wird angewandt, um Entscheidungsmodelle zu erstellen, die für eine bestimmte Art von Objekten vorhersagen über ein Zielmerkmal treffen zu können. (z.B. Klassifizieren von Lebensmitteln als “eher empfehlenswert” und “eher nicht empfehlenswert”). Damit das überwachte Lernen angewandt werden kann, benötigt man zuerst digitale Repräsentationen von Objekten, worin die Objekte anhand bestimmer (Prädiktor-)Merkmale beschrieben sind (z. B. Lebensmittel, die durch Nährwertangaben repräsentiert sind). Zusätzlich müssen für alle Objekte die gewünschten Ausprägungen des Zielmerkmals (z.B. eher empfehlenswert/eher nicht empfehlenswert) bekannt sein. 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. Mit diesen Daten können mit Hilfe von Lernalgorithmen verschiedene Arten von Regelsystemen/Entscheidungsmodellen (z.B. Entscheidungsbaum, neuronales Netz) erstellt werden. Den Erstellungprozess nennt man auch “Lernprozess” oder "Trainingsprozess" und die Daten, die dafür genutzt werden, nennt man Trainingsdaten. 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 ersten Schritt wird ein Entscheidungsmodell also so trainiert, dass es die Trainingsdaten korrekt zuordnet. Zielstellung ist es aber eigentlich, dass das Entscheidungsmodell über die Trainingsdaten hinaus funktioniert und auch neue Objekte (z.B. neue Lebensmittel) korrekt zuordnet. Im Anschluss wird das Entscheidungsmodell 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 Ausprägung des Zielmerkmals bekannt ist und daher genau überwacht werden kann, wie gut des erstellte Entscheidungsmodell für die Daten funktioniert. Ein solches gut funktionierendes Entscheidungsmodell kann man als KI bezeichnen.