07 Sep Bildklassifikationsmodell mit Pictoblox
Bildklassifikationsmodell mit PictoBlox erstellen und nutzen
In dieser Unterrichtseinheit erkunden wir das Gebiet des Maschinellen Lernens (ML), insbesondere die Bildklassifikation. Die Schüler:innen lernen, wie Computer mithilfe von Daten Bilder analysieren und klassifizieren können. Dazu entwickeln sie ein Modell, das Katzen- und Hundefotos unterscheidet und programmieren anschließend in PictoBlox eine Anwendung, die dieses Modell nutzt.
Diese Einheit setzt Kenntnisse in Machine Learning voraus.
Klasse: ab 7. Klasse
Niveau: Fortgeschritten
Vorkenntnisse: Scratch Grundkenntnisse, ML Grundkenntnisse
Fach: Informatik, Naturwissenschaften
Dauer: 2 x 45 Minuten
Kompetenzen
Die Schüler:innen:
- können die Grundlagen von Bildklassifikation erklären.
- können eigene Bildklassifizierungsmodelle trainieren und testen.
- können die erstellten Modelle in einer Programmierung nutzen.
- kennen die Grundlagen von Maschinellem Lernen (ML) als einen Bereich der künstlichen Intelligenz (KI).
- implementieren Algorithmen in einer visuellen Programmiersprache.
- identifizieren und implementieren die Programmiergrundstrukturen Sequenz, Verzweigung und Schleifen.
Material
- Computer mit Internetzugang (wird nicht am Tablet unterstützt)
- Auf den Computern installierte PictoBlox Software
- Beamer / Interaktives Whiteboard
- Lernkarten Bildklassifikation PictoBlox
Vorbereitung
- PictoBlox Software auf Computern installieren (nicht auf Tablets nutzbar)
- Internetzugang sicherstellen
- Lernkarten herunterladen und ausdrucken oder als digitale Variante zur Verfügung stellen
Ablauf
Einführung (15 Minuten)
- Eine Einführung in die Thematik Maschinelles Lernen (ML) sollte im Vorfeld stattgefunden haben. Lass die Schüler:innen das Gelernte zum Thema ML wiederholen, um ihr Wissen aufzufrischen. Dafür kannst du zum Beispiel die Blitzlicht-Methode nutzen.
Die Blitzlicht-Methode: Du stellst den Schüler:innen z.B. die Frage „Was weißt du über Maschinelles Lernen?“. Alle Schüler:innen dürfen nun in ein bis zwei Sätzen ihre Assoziationen, Ideen und spontanen Gedanken kundgeben. Die Äußerungen werden währenddessen weder kommentiert noch bewertet. Du kannst die Ergebnisse optional an der Tafel / am Whiteboard festhalten.
- Stelle die heutige Aufgabe der Schüler:innen vor: Sie sollen ein eigenes Bilderkennungsmodell trainieren und es in einer Programmierung anwenden. In unserem Beispiel geht es um die Erkennung von Katzen und Hunden auf Hintergrundbildern.
- Um den Schüler:innen zu erklären, wie Bildklassifikation in ML funktioniert, kannst du ein Katzenbild als Referenz nehmen, es ihnen zeigen und fragen:
- „Was ist das?“
- „Woher weißt du, dass es eine Katze ist?“
- „Was sieht eine Maschine?“
Besprecht die Fragen im Plenum, sodass die Schüler:innen verstehen, wie das Konzept der Bildklassifikation funktioniert. Dies dient als Grundlage für die Erstellung des Modells im nächsten Schritt.
- Um ein eigenes Modell zur Bildklassifikation zu erstellen, nutzen wir das Programm PictoBlox. Gib an dieser Stelle eine kurze Einführung in PictoBlox, falls deine Schüler:innen das erste Mal damit arbeiten. Wiederholt ansonsten kurz die wichtigsten Funktionen des Programms.
PictoBlox ist eine visuelle Programmierplattform, die auf Scratch basiert und alle Vorteile davon übernimmt. Gleichzeitig bietet PictoBlox jedoch zusätzliche Funktionen, wie das Steuern von Hardware, die Nutzung von Python und die Einbindung von KI-Modellen, um die Programmiererfahrung noch vielseitiger zu gestalten.
Arbeitsphase (ca. 60 Minuten)
- Teile deine Schüler:innen in Zweiergruppen auf und bereite sie auf die nächste Aufgabe vor. Im ersten Teil sollen sie ein Katzen-Hund-Bilderkennungsmodell anhand von Bildern trainieren. Gib ihnen als Arbeitsanweisung z.B. folgende Aufgabe:
Öffnet PictoBlox. Verwendet die Lernkarten, um ein Bildklassifikationsmodell zu trainieren und zu testen. Nutzt die Informationen auf den Lernkarten bis zur Seite 13 als Grundlage. Für diese Aufgabe habt ihr insgesamt 20 Minuten Zeit.
Besprecht im Anschluss die Erkenntnisse aus der Aufgabe:
- Wie wichtig waren die Daten?
- War dein Modell immer zuverlässig?
- Im zweiten Teil der Aufgabe, verwenden die Schüler:innen das zuvor erstellte Bilderkennungsmodell für Katzen und Hunde im Programmierteil von PictoBlox. Sie lernen, wie sie das Modell in ihre Programmierung integrieren können, um Hintergrundbilder nach Katzen- und Hunden zu durchsuchen. Die Arbeitsanweisung kann lauten:
Verwendet die Lernkarten ab Seite 14, um das Modell in die Programmierung einzubinden und zu nutzen. Sobald ihr die Lernkarten bis Seite 24 fertig habt, könnt ihr das Programm verbessern und mit eigenen Ideen oder Anregungen der Lernkarte 25 erweitern.
- Motiviere deine Schüler:innen, das Programm zu erweitern und die Ideen mit Hilfe der letzten Lernkarte oder mit eigenen Ideen zu erweitern.
Das Modell kann nicht immer perfekt zwischen Hunden und Katzen unterscheiden. Es gibt Situationen, in denen Unsicherheiten auftreten oder Sonderfälle nicht erkannt werden. Diese Tatsache ist ein natürlicher Teil des Maschinellen Lernens und verdeutlicht, dass menschliche Interpretation nach wie vor wichtig ist. Diese Einblicke helfen, die Grenzen und Potenziale von Technologien wie ML besser zu verstehen.
Abschluss (ca. 10 Minuten)
Der Abschluss der Unterrichtsreihe ist eine Gelegenheit, das Gelernte zusammenzufassen und zu reflektieren. Hier sind einige Ideen, wie du den Abschluss gestalten kannst:
- Lass die Schüler:innen ihre Programme präsentieren.
- Führt eine Diskussion über das Erlernte und die gesammelten Erfahrungen während der Unterrichtsreihe.
- Frage die Schüler:innen, was sie am meisten interessiert hat, was sie gelernt haben und wie sie die neuen Kenntnisse in Zukunft anwenden könnten.
- Sammelt Ideen für weitere Projekte.
- Bitte die Schüler:innen um Feedback zur Unterrichtsreihe. Was hat ihnen gefallen? Was könnte verbessert werden?
Hinweise
- Grundkenntnisse in ML werden für die Unterrichtseinheit vorausgesetzt.
- Das vorgestellte Bilderkennungsmodell ist nur ein Beispiel, andere Projekte sind ebenfalls möglich.
- Die Daten für das Modell müssen nicht unbedingt selbst gesammelt werden, freie Daten im Netz stehen zur Verfügung.