Alle Lektionen

Kurs

KI in der 9. Klasse: Python und maschinelles Lernen

Nutze Python, NumPy und pandas, um klassische Modelle für maschinelles Lernen zu trainieren und zu bewerten.

Mach die Lektionen der Reihe nach. Am Ende kannst du Python mit Datenstrukturen und wiederverwendbaren Funktionen schreiben. Du kannst Vektoren addieren, Wahrscheinlichkeiten berechnen und Mittelwert und Standardabweichung finden. Du kannst eine Tabelle mit NumPy und pandas laden, bereinigen und als Diagramm zeigen. Du kannst eine Gerade an Daten anpassen, Klassifikatoren für logistische Regression, Entscheidungsbaum und k-NN trainieren und Daten mit k-means gruppieren. Du kannst Genauigkeit, Präzision und Trefferquote berechnen, Überanpassung erkennen, ein Modell mit einer einfachen Basislinie vergleichen und Vorhersagen aus einem Umweltdatensatz vorstellen.

So benutzt du diese Lektionen

  • Fang bei der Lektion an, auf der Mach das steht. Geh weiter, wenn du die Zeile unter dem Titel allein machen kannst.
  • Spiel zuerst die Spiele. Dann mach das Quiz. 8 von 10 richtig zum Bestehen. Die Arbeitsblätter sind auf Papier. Die Antworten sind unten.
  • Jede Lektion baut auf der davor auf. Notiere jedes Experiment: was du geändert hast, was passiert ist und warum.
  • Die Programmierlektionen nutzen Python in einem kostenlosen Online-Notebook. Nutze nur die KI-Werkzeuge, die deine Lehrkraft erlaubt, erkläre jeden Code, den die KI für dich schreibt, und gib nie persönliche Daten in einen Datensatz, den du teilst.

Jede Lektion hat Spiele, Quiz und Arbeitsblätter.

0 von 36

Programmieren mit Python

  1. 1Syntax wiederholenSchreibe Python mit Variablen, Bedingungen und Schleifen.
    • Nutze Variablen, Typen und f-strings.
    • Schreibe if-, for- und while-Blöcke.
    • Lies einen Traceback und behebe den Fehler.
  2. 2DatenstrukturenWähle zwischen Listen, Tupeln, Mengen und Dictionaries.
    • Nutze jede Struktur für ihre beste Aufgabe.
    • Schreibe Comprehensions für Listen und Dictionaries.
    • Verschachtele Strukturen, um Einträge zu speichern.
  3. 3Funktionen und ModuleSchreibe wiederverwendbare Funktionen und teste sie.
    • Nutze Standard- und Schlüsselwortargumente.
    • Schreibe Tests mit assert.
    • Importiere deine Funktionen aus einem Modul.
  4. 4DatenskripteSchreibe ein Skript, das eine Textdatei bereinigt.
    • Lies eine Datei Zeile für Zeile.
    • Korrigiere schlechte Zeilen und überspringe leere.
    • Schreibe die bereinigten Daten in eine neue Datei.

Mathe für maschinelles Lernen

  1. 5VektorenAddiere Vektoren und finde den Abstand zwischen Punkten.
    • Stelle einen Datenpunkt als Vektor dar.
    • Addiere Vektoren und skaliere sie.
    • Berechne den euklidischen Abstand und das Skalarprodukt.
  2. 6WahrscheinlichkeitBerechne einfache und bedingte Wahrscheinlichkeiten.
    • Berechne die Wahrscheinlichkeit eines Ereignisses.
    • Berechne eine bedingte Wahrscheinlichkeit aus einer Tabelle.
    • Simuliere Münzwürfe, um deine Antwort zu prüfen.
  3. 7StatistikFinde den Mittelwert, die Varianz und die Standardabweichung.
    • Berechne jeden Wert von Hand und im Code.
    • Erkläre, was die Standardabweichung dir sagt.
    • Vergleiche zwei Datensätze nach ihrer Streuung.
  4. 8Mathe-ExperimenteStelle Daten dar und beschreibe ihre Streuung.
    • Zeichne ein Histogramm.
    • Zeichne ein Streudiagramm.
    • Beschreibe das Zentrum, die Streuung und die Ausreißer.

Datenwissenschaft

  1. 9NumPyRechne mit ganzen Arrays in NumPy.
    • Erstelle Arrays und ändere ihre Form.
    • Nutze vektorisierte Operationen statt Schleifen.
    • Indiziere Arrays und schneide Teile heraus.
  2. 10pandasLade, filtere und gruppiere eine Tabelle mit pandas.
    • Lade eine CSV in ein DataFrame.
    • Filtere Zeilen und wähle Spalten.
    • Gruppiere Daten und fasse sie zusammen.
  3. 11Daten bereinigenBehandle fehlende Werte und falsche Typen.
    • Finde fehlende Werte.
    • Fülle sie oder entferne sie, und erkläre deine Wahl.
    • Korrigiere falsche Typen und doppelte Zeilen.
  4. 12VisualisierungMach Diagramme, die eine Frage beantworten.
    • Wähle das passende Diagramm für die Frage.
    • Beschrifte die Achsen und setze einen Titel.
    • Finde ein irreführendes Diagramm und korrigiere es.

Grundlagen des maschinellen Lernens

  1. 13Was ist maschinelles LernenErkläre, wie ein Modell ein Muster aus Daten lernt.
    • Vergleiche Regeln schreiben und aus Daten lernen.
    • Definiere Modell, Parameter und Training.
    • Nenne drei echte Anwendungen des maschinellen Lernens.
  2. 14Überwacht und unüberwachtUnterscheide überwachte von unüberwachten Aufgaben.
    • Sage, dass überwachtes Lernen Etiketten nutzt.
    • Sage, dass unüberwachtes Lernen Struktur ohne Etiketten findet.
    • Sortiere zehn Aufgaben in jede Gruppe.
  3. 15Der ML-AblaufListe die Schritte von den Daten bis zu einem Modell, das funktioniert.
    • Ordne die Schritte: Frage, Daten, Merkmale, trainieren, bewerten, einsetzen.
    • Sage, was bei jedem Schritt schiefgehen kann.
    • Sage, warum sich die Schritte wiederholen.
  4. 16ML-Aufgaben vergleichenOrdne Probleme der Regression, der Klassifikation oder dem Clustering zu.
    • Sage, was jede Aufgabe vorhersagt.
    • Ordne zehn Probleme einer Aufgabe zu.
    • Schreibe ein Problem als eine andere Aufgabe um.

Regression

  1. 17Lineare RegressionPasse eine Gerade an Daten an.
    • Erkläre Steigung und Achsenabschnitt.
    • Passe eine Gerade mit scikit-learn an.
    • Zeichne die Gerade über die Daten.
  2. 18MerkmaleWähle Merkmale und skaliere sie.
    • Nutze mehr als ein Merkmal.
    • Skaliere Merkmale auf denselben Bereich.
    • Kodiere ein Kategorie-Merkmal.
  3. 19FehlerMiss den Fehler mit dem mittleren quadratischen Fehler.
    • Berechne die Residuen.
    • Berechne den mittleren quadratischen Fehler und den mittleren absoluten Fehler.
    • Zeichne die Residuen, um ein Muster zu finden.
  4. 20Zahlen vorhersagenTrainiere ein Regressionsmodell und sage neue Werte voraus.
    • Trainiere mit einem Teil der Daten.
    • Sage den Rest voraus.
    • Gib den Fehler in echten Einheiten an.

Klassifikation

  1. 21Logistische RegressionTrainiere einen Klassifikator für logistische Regression.
    • Erkläre, wie er einen Score in eine Wahrscheinlichkeit verwandelt.
    • Trainiere ihn und sage Wahrscheinlichkeiten voraus.
    • Ändere die Schwelle und vergleiche.
  2. 22EntscheidungsbäumeTrainiere einen Entscheidungsbaum und lies seine Teilungen.
    • Trainiere einen Baum.
    • Zeichne seine Teilungen und lies sie.
    • Begrenze seine Tiefe und vergleiche die Werte.
  3. 23k nächste NachbarnKlassifiziere mit k-NN und wähle k.
    • Erkläre, wie k-NN abstimmt.
    • Probiere mehrere Werte für k.
    • Sage, warum Skalieren für k-NN wichtig ist.
  4. 24Einen Klassifikator trainierenVergleiche drei Klassifikatoren an einem Datensatz.
    • Trainiere alle drei mit derselben Aufteilung.
    • Vergleiche ihre Werte.
    • Wähle einen und erkläre warum.

Unüberwachtes Lernen

  1. 25ÄhnlichkeitMiss die Ähnlichkeit von zwei Stichproben.
    • Nutze den euklidischen Abstand.
    • Nutze die Kosinus-Ähnlichkeit.
    • Finde die ähnlichsten Elemente in einem Datensatz.
  2. 26k-meansGruppiere Daten mit k-means-Clustering.
    • Geh k-means von Hand Schritt für Schritt durch.
    • Führe es in scikit-learn aus.
    • Zeichne die Cluster.
  3. 27k wählenNutze die Ellenbogenmethode, um eine Anzahl von Clustern zu wählen.
    • Führe k-means für mehrere Werte von k aus.
    • Zeichne die Ellenbogenkurve.
    • Prüfe, ob die Cluster Sinn ergeben.
  4. 28Stichproben gruppierenClustere einen Datensatz und beschreibe jede Gruppe.
    • Clustere einen echten Datensatz.
    • Fasse jeden Cluster zusammen.
    • Gib jedem Cluster einen Namen.

Modellbewertung

  1. 29Aufteilung in Training und TestTeile die Daten auf und erkläre warum.
    • Teile mit train_test_split.
    • Nutze eine Validierungsmenge zum Abstimmen.
    • Nutze Kreuzvalidierung.
  2. 30Genauigkeit, Präzision und TrefferquoteBerechne Genauigkeit, Präzision und Trefferquote.
    • Baue eine Konfusionsmatrix.
    • Berechne jede Kennzahl daraus.
    • Wähle die Kennzahl, die zum Problem passt.
  3. 31ÜberanpassungErkenne Überanpassung, indem du Trainings- und Testwerte vergleichst.
    • Trainiere ein Modell, das sich überanpasst.
    • Zeichne Trainings- und Testwerte.
    • Verringere die Überanpassung und vergleiche.
  4. 32BasislinienVergleiche ein Modell mit einer einfachen Basislinie.
    • Baue eine Basislinie, die immer die häufigste Antwort rät.
    • Vergleiche dein Modell damit.
    • Erkläre, wann ein Modell sich nicht lohnt.

Projekt zum maschinellen Lernen

  1. 33Einen Datensatz wählenWähle einen offenen Umweltdatensatz und eine Frage.
    • Finde einen offenen Datensatz zu Wetter oder Luftqualität.
    • Schreibe eine Frage, die er beantworten kann.
    • Wähle Regression oder Klassifikation.
  2. 34Vorbereiten und erkundenBereinige die Daten und zeige die wichtigsten Muster im Diagramm.
    • Bereinige die Daten.
    • Zeichne drei Muster.
    • Wähle Merkmale.
  3. 35Trainieren und vergleichenTrainiere zwei Modelle und vergleiche sie mit einer Basislinie.
    • Trainiere zwei Modelle.
    • Vergleiche sie mit einer Basislinie.
    • Prüfe auf Überanpassung.
  4. 36Umweltbedingungen vorhersagenStelle Ergebnisse, Grenzen und nächste Schritte vor.
    • Zeige deine Ergebnisse und Diagramme.
    • Erkläre die Grenzen des Modells.
    • Schlage nächste Schritte vor.