Langanzeige der Metadaten
DC Element | Wert | Sprache |
---|---|---|
dc.contributor.author | Hofmann, Stephanie | - |
dc.contributor.author | Frank, Martin | - |
dc.date.accessioned | 2023-06-07T10:40:06Z | - |
dc.date.available | 2023-06-07T10:40:06Z | - |
dc.date.issued | 2023 | - |
dc.identifier.uri | http://hdl.handle.net/2003/41474 | - |
dc.identifier.uri | http://dx.doi.org/10.17877/DE290R-23317 | - |
dc.description.abstract | Technologien aus dem Bereich des Maschinellen Lernens (ML) erleben derzeit durch den exponentiellen Anstieg der produzierten Daten und der enorm gestiegenen Rechenleistung ihren Aufstieg und werden zukünftig vermehrt Empfehlungen und Vorhersagen automatisiert treffen können. Die wachsende Bedeutung von ML für die Gesellschaft erfordert eine Thematisierung dieser Technologien und Fragestellungen auch im Unterricht. Die Relevanz von ML für Gegenwart und Zukunft der Lernenden sowie die Möglichkeit der didaktischen Reduktion einiger ML-Methoden auf schulmathematische Inhalte der Sekundarstufe unterstreichen diese Forderung. Gleichzeitig kann das Verständnis von und der Umgang mit Daten an Problemstellungen im Bereich ML geschult werden. Im Rahmen des Projektes CAMMP (www.cammp.online) entstand daher eine Lerneinheit, die Schüler*innen ab Klasse 10 am Beispiel der Wortvorhersage aufzeigt, wie maschinelle Lernmethoden genutzt werden können, um Vorhersagen aus Daten zu treffen. | de |
dc.language.iso | de | de |
dc.publisher | Gesellschaft für Didaktik der Mathematik | - |
dc.relation.ispartof | Beiträge zum Mathematikunterricht 2022 | - |
dc.subject | Maschinelles Lernen | de |
dc.subject | Jupyter Notebooks | en |
dc.subject | Modellierung | de |
dc.subject | natürliche Sprachverarbeitung | de |
dc.subject | Data Science | en |
dc.subject | künstliche Intelligenz | de |
dc.subject | Statistik | de |
dc.subject.ddc | 510 | - |
dc.title | Maschinelles Lernen im Schulunterricht am Beispiel einer problemorientierten Lerneinheit zur Wortvorhersage | de |
dc.type | Text | de |
dc.type.publicationtype | conferenceObject | de |
dcterms.accessRights | open access | - |
eldorado.secondarypublication | false | de |
Enthalten in den Sammlungen: | 2022 |
Dateien zu dieser Ressource:
Datei | Beschreibung | Größe | Format | |
---|---|---|---|---|
BzMU22_157.pdf | DNB | 84.56 kB | Adobe PDF | Öffnen/Anzeigen |
Diese Ressource ist urheberrechtlich geschützt. |
Diese Ressource ist urheberrechtlich geschützt.
rightsstatements.org