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. |
Diese Ressource ist urheberrechtlich geschützt. rightsstatements.org