ENTER Online
ENTER Online ist die Umsetzung des ENTscheidungsbaum ERstellers ENTER als Webanwendung. Diese bietet alle wichtigen Funktionen, die Sie vom ENTER gewohnt sind. Der ENTER Online eignet sich damit sowohl, um die Trainings- und Testphase des Algorithmus maschinellen Lernens durchzuführen, als auch, um den Einfluss von Trainingsdaten und Hyperparametern auf die Zuverlässigkeit der Ergebnisse des Entscheidungsbaum-Algorithmus zu untersuchen.
Entscheidungsbaum-Ersteller ENTER
Der Entscheidungsbaum-Ersteller ENTER ist ein didaktisches Softwarewerkzeug, das sich ideal zum Erstellen und anschließenden Untersuchen von Entscheidungsbäumen eignet. Die Software ist sowohl für die Trainingsphase als auch die Testphase des Algorithmus maschinellen Lernens zur Erstellung von Entscheidungsbäumen bestens geeignet. Sie können Einfluss auf die Erstellung des Modells nehmen, indem Sie das Split-Kriterium für die Bestimmung des wichtigsten Attributs auswählen (u. a. Fehlklassifikationsrate, Gini-Impurity) oder einige Hyperparameter anpassen. Dadurch können Sie den Einfluss dieser Parameter auf das Modell für verschiedene Datensätze experimentell untersuchen. Wenn Sie den Aufbau des Entscheidungsbaums nachvollziehen möchten, werfen Sie einfach einen Blick in die einzelnen Knoten. Der ENTER ist ein kleines, aber effektives Werkzeug, das in der 11. Jahrgangsstufe des Gymnasiums im Lernbereich 4 (KI) eingesetzt werden kann. Anders als professionelle Data-Science-Werkzeuge, wie etwa die Software Orange, ist der ENTER für den didatischen Einsatz vorgesehen und wurde von Mitarbeitern der Didaktik der Informatik der Universität Passau entwickelt, um speziell einige der im LehrplanPLUS formulierten Kompetenzerwartungen zu erfüllen.
Perzeptron Online
Perzeptron Online ist die Umsetzung des Perzeptron-Simulators als Webanwendung. Diese bietet alle wichtigen Funktionen, die Sie vom Perzeptron-Simulator
gewohnt sind. Lediglich auf einige fortgeschrittene, über den Unterricht hinausgehende Funktionen, wie die Darstellung der linearen Regression oder
der Gewichtsaktualisierungen in Form eines 3D-Plots, wurde verzichtet.
Perzeptron Online eignet sich zur didaktischen Simulation eines Perzeptrons und des damit verbundenen Lernprozesses. Mit der Software kann
sowohl die Klassifikation eines Datenpunkts als auch der Lernalgorithmus zum Training des Perzeptrons simuliert werden. Neben der schematischen
Darstellung des Perzeptrons mit den aktuellen Parametern und Hyperparametern, liegt ein weiterer Schwerpunkt auf der graphischen Darstellung der
geometrischen Interpretation des Perzeptrons.
Perzeptron-Simulator
Zur didaktischen Simulation des Perzeptrons und des damit verbundenen Lernprozesses wurde die Simulationssoftware Perzeptron-Simulator entwickelt. Die Software kann als Hilfsmittel bei der Umsetzung des Themas Perzeptron des LehrplanPLUS-Kapitels 11.4 Künstliche Intelligenz des bayerischen Lehrplans dienen. Sie eignet sich sowohl zur Simulation der Funktionsweise als auch des Lernalgorithmus zum Training des Perzeptrons. Die Software bietet die Möglichkeit, den Lernprozess eines Perzeptrons für zwei unterschiedliche Anwendungskontexte, die lineare Klassifikation und die lineare Regression, zu simulieren. Neben einer schematischen Darstellung des Perzeptrons mit den aktuellen Parametern liegt ein weiterer Schwerpunkt auf der grafischen Darstellung der geometrischen Interpretation des Perzeptrons. Darüber hinaus werden weitere Ansichten, z.B. zur geometrischen Visualisierung der Gewichtsanpassungen,... zur Verfügung gestellt.
kaMin - Die kMeans-App
Der k-Means-Algorithmus ist ein klassischer Algorithmus des unüberwachten maschinellen Lernens. Das didaktische Softwarewerkzeug kMean bietet Ihnen die Möglichkeit,
den Lernprozess dieses Algorithmus für einen von Ihnen festgelegten Datensatz schrittweise durchzuführen und zu visualisieren. Wie der Name schon sagt, ist bei diesem
Algorithmus die Auswahl des Hyperparameters k von zentraler Bedeutung. Das Softwarewerkzeug erlaubt deshalb die Durchführung der Ellbogen- sowie der Silhouettenanalyse und
deren grafische Darstellung in Bezug auf den Datensatz. Dadurch kann der optimale Wert für k für den jeweiligen Datensatz ermittelt werden, wobei die innovative
Visualisierung eine einfache Nachvollziehbarkeit der Auswahl gewährleistet.
Zur Demonstration der praktischen Anwendbarkeit des k-Means-Algorithmus wurde in das Softwarewerkzeug die Möglichkeit integriert, für ein vom Nutzer ausgwähltes Bild eine Reduzierung der
verwendeten Farben unter Verwendung dieses Algorithmus maschinellen Lernens durchzuführen. Damit kann unter anderem der zur Speicherung des Bilds benötigte Speicherplatz reduziert werden.
Mithilfe von Visualisierungen des im Bild verwendeten Farbraums vor und nach der Farbreduktion lässt sich der Einsatz des Algorithmus einfach nachvollziehen.
Der k-nächste-Nachbarn-Algorithmus mit Tabellenkalkulationsmappen
Zur Visualisierung und Simulation des maschinellen Lernprozesses am Beispiel des k-nächste-Nachbarn-Algorithmus wurden Tabellenkalkulationsmappen (speziell für Microsoft Excel und LibreOffice Calc) erstellt, welche es ermöglichen, einzelne Schritte im maschinellen Lernprozess (Klassifikation, Training, Bestimmung des Hyperparameters k, Testen, ...) zu simulieren und selbst auszuprobieren. Diese Mappen stehen in zwei Versionen mit unterschiedlichen Anwendungskontexten (Klassifikation von T-Shirtgrößen und Klassifikation von Irispflanzenarten) zur Verfügung.