Von der Schulmathematik zu künstlichen neuronalen Netzen

Langanzeige der Metadaten

DC Element	Wert	Sprache
dc.contributor.author	Kindler, Stephan	-
dc.contributor.author	Schönbrodt, Sarah	-
dc.contributor.author	Frank, Martin	-
dc.date.accessioned	2023-07-06T19:02:19Z	-
dc.date.available	2023-07-06T19:02:19Z	-
dc.date.issued	2023	-
dc.identifier.uri	http://hdl.handle.net/2003/41929	-
dc.identifier.uri	http://dx.doi.org/10.17877/DE290R-23766	-
dc.description.abstract	Maschinelles Lernen (ML) und KI werden in unserer datengetriebenen Welt immer wichtiger, sind im Mathematikunterricht aber kaum zu finden. Dabei erlauben die mathematischen Grundlagen gängiger ML-Methoden zahlreiche Anknüpfungspunkte an schulmathematische Inhalte. Um diesem Defizit entgegenzuwirken, werden im Rahmen des Schülerprogramms CAMMP (www.cammp.online) computergestützte Lernumgebungen entwickelt mithilfe derer Schüler*innen problemorientiert in die mathematischen Grundlagen von ML-Methoden eintauchen (Schönbrodt et al. 2021).	de
dc.language.iso	de	de
dc.publisher	Gesellschaft für Didaktik der Mathematik	-
dc.relation.ispartof	Beiträge zum Mathematikunterricht 2022	-
dc.subject	Jupyter Notebooks	de
dc.subject	künstliche neuronale Netze	de
dc.subject	Lineare Regression	de
dc.subject	Maschinelles Lernen	de
dc.subject	Modellierung	de
dc.subject.ddc	510	-
dc.title	Von der Schulmathematik zu künstlichen neuronalen Netzen	de
dc.type	Text	de
dc.type.publicationtype	ConferencePaper	de
dcterms.accessRights	open access	-
eldorado.secondarypublication	false	de
Enthalten in den Sammlungen:	2022

Dateien zu dieser Ressource:

Datei	Beschreibung	Größe	Format
BzMU22 KINDLER NeuronaleNetze.pdf	DNB	66.09 kB	Adobe PDF	Öffnen/Anzeigen

Diese Ressource ist urheberrechtlich geschützt.

Lizenzbestimmungen ansehen

Zur Kurzanzeige

Diese Ressource ist urheberrechtlich geschützt. rightsstatements.org