KI trainieren?
Haben Aufgaben im Informatikunterricht bekommen? Stimmt das? Eine Korrektur eines Experten wäre super! 1.Frage: In diesem Aufgabenteil sollt ihr euch über die Begriffe der künstlichen Intelligenz informieren. Recherchiert die verschiedenen Arten von Kl und welche Aufgaben sie lösen können. Beschreibt dafür kurz und knapp drei unterschiedliche Arten und welche Aufgaben diese lösen können. Nennt zudem fünf Bereiche, in denen Kls bereits eingesetzt werden. 1.Antwort: a) Drei unterschiedliche Arten von KI und ihre Aufgaben 1.Regelbasierte Systeme (Symbolische KI) Beschreibung : Nutzt festgelegte Regeln und logische Schlussfolgerungen, um Aufgaben zu lösen. Aufgaben : Entscheidungsfindung (z. B. Steuererklärungssysteme, medizinische Diagnosen). 2.Maschinelles Lernen (ML) Beschreibung : Modelle, die durch Daten trainiert werden und aus diesen lernen. Aufgaben : Vorhersagen, Klassifikation (z. B. Spam-Erkennung, Aktienkursprognose). 3.Deep Learning (DL) Beschreibung : Nutzt neuronale Netzwerke mit mehreren Schichten, um komplexe Muster zu erkennen. Aufgaben : Bilderkennung, Sprachübersetzung (z. B. Gesichtserkennung, Chatbots). Fünf Bereiche, in denen KIs eingesetzt werden Medizin : Analyse von Röntgenbildern, Diagnose von Krankheiten. Verkehr : Autonomes Fahren, Verkehrsflussanalyse. Finanzen : Betrugserkennung, Kreditwürdigkeitsprüfungen. Handel : Empfehlungssysteme, Lagerbestandsoptimierung. Bildung : Adaptive Lernsysteme, automatische Bewertung von Tests. 2.Frage: In diesem Aufgabenteil sollt ihr euch insbesondere mit Bilderkennungsverfahren beschäftigen. Erforscht, wie sich Objekte auf Bildern erkennen lassen. Untersucht, anhand welcher Daten diese Verfahren trainiert werden und welche Auswirkungen die Daten auf das trainierte Modell haben. Beschreibt zudem beispielhaft, wie ein Verfahren zum Erkennen von Objekten trainiert werden kann. 2.Antwort: b) Bilderkennungsverfahren 1.Objekterkennung auf Bildern Ansatz : Objekte werden mithilfe von Algorithmen wie YOLO (You Only Look Once) oder CNNs (Convolutional Neural Networks) erkannt. Diese segmentieren ein Bild in Bereiche, analysieren diese und identifizieren Objekte. 2.Training der Modelle Datenbasis : Modelle werden mit annotierten Datensätzen trainiert, die Objekte und deren Positionen (Bounding-Boxen) enthalten. Beispiele sind COCO, PASCAL VOC oder eigene Datensätze. Einfluss der Daten : Quantität : Ein größerer Datensatz führt zu besseren Ergebnissen. Qualität : Verzerrte oder fehlerhafte Daten beeinträchtigen die Modellleistung. Diversität : Variierende Lichtverhältnisse, Perspektiven und Objektklassen verbessern die Generalisierung. 3.Beispiel: Training eines Bilderkennungsverfahrens Schritte : Datensammlung : Sammeln und Annotieren von Bildern mit Bounding-Boxen. Modellauswahl : Verwendung eines vortrainierten Modells (z. B. YOLO oder Faster R-CNN). Training : Das Modell wird mit dem annotierten Datensatz trainiert (Hyperparameter wie Lernrate und Epochenzahl einstellen). Evaluation : Test des Modells mit neuen Daten und Bewertung der Genauigkeit (z. B. mAP – mean Average Precision).
