oldwiki>Glanz: Die Seite wurde neu angelegt: „{{:MOOCit - Oben}} {| align=center {{:D-Tab}} '''Neuronale Netze I''' {{o}} Künstliche Intelligenz {{o}} Machine Learning {{o}} Deep Learning {{o}} Ethik der KI '''Neuronale Netze II''' {{o}} Transfer Learning {{o}} Transformer-Modelle {{o}} Feature Engineering {{o}} Deep Learning '''Neuronale Netze III''' {{o}} Spiking Neural Networks {{o}} Graph Neural Networks {{o}} Self-Supervised Learning {…“

2024-12-08T20:26:04Z

Die Seite wurde neu angelegt: „{{:MOOCit - Oben}} {| align=center {{:D-Tab}} '''Neuronale Netze I''' {{o}} Künstliche Intelligenz {{o}} Machine Learning {{o}} Deep Learning {{o}} Ethik der KI '''Neuronale Netze II''' {{o}} Transfer Learning {{o}} Transformer-Modelle {{o}} Feature Engineering {{o}} Deep Learning '''Neuronale Netze III''' {{o}} Spiking Neural Networks {{o}} Graph Neural Networks {{o}} Self-Supervised Learning {…“

Neue Seite

{{:MOOCit - Oben}}
{| align=center
{{:D-Tab}}
'''[[Neuronale Netze]] I'''
{{o}} [[Künstliche Intelligenz]]
{{o}} [[Machine Learning]]
{{o}} [[Deep Learning]]
{{o}} [[Ethik der KI]]

'''[[Neuronale Netze]] II'''
{{o}} [[Transfer Learning]]
{{o}} [[Transformer-Modelle]]
{{o}} [[Feature Engineering]]
{{o}} [[Deep Learning]]

'''[[Neuronale Netze]] III'''
{{o}} [[Spiking Neural Networks]]
{{o}} [[Graph Neural Networks]]
{{o}} [[Self-Supervised Learning]]
{{o}} [[Generative Adversarial Networks]]
|}

= Neuronale Netze: Grundlagen und Einsatz im Unterricht =

Neuronale Netze sind ein fundamentaler Bestandteil der [[Künstlichen Intelligenz (KI)|KI]] und finden Anwendung in Bereichen wie [[Bildverarbeitung]], [[Spracherkennung]] und [[Prädiktive Analytik|prädiktiver Analytik]]. In diesem Modul lernst Du, wie neuronale Netze aufgebaut sind, wie sie funktionieren und wie sie im [[Unterricht]] praxisnah eingesetzt werden können.

{{:BRK}}

== Was sind neuronale Netze? ==

Neuronale Netze sind [[Algorithmus|algorithmenbasierte]] Systeme, die von der Struktur und Funktion des menschlichen Gehirns inspiriert sind. Sie bestehen aus künstlichen [[Neuronen]], die in Schichten organisiert sind:

{{o}} [[Eingabeschicht (Input Layer)]]: Nimmt die Daten auf, die verarbeitet werden sollen.
{{o}} [[Verborgene Schichten (Hidden Layers)]]: Bearbeiten die Daten und extrahieren Muster.
{{o}} [[Ausgabeschicht (Output Layer)]]: Liefert das Ergebnis der Verarbeitung.

Die Verbindungen zwischen den Neuronen werden durch [[Gewichte]] und [[Bias-Werte]] definiert, die im [[Lernprozess]] angepasst werden, um ein bestimmtes Ziel zu erreichen, z. B. eine genaue [[Klassifikation]].

{{:BRK}}

== Funktionsweise von neuronalen Netzen ==

Die Hauptbestandteile eines neuronalen Netzes sind:

{{o}} **Neuronen:** Kleine Recheneinheiten, die Daten empfangen und weiterleiten.
{{o}} **Aktivierungsfunktionen:** Entscheiden, ob ein Neuron „aktiviert“ wird (z. B. [[ReLU]] oder [[Sigmoid]]).
{{o}} **Optimierungsalgorithmen:** Verfahren wie [[Gradientenabstieg]], die das Netzwerk trainieren.

Beim Training eines neuronalen Netzes wird ein Datensatz in das Modell eingespeist. Das Netzwerk passt seine Parameter an, um die Fehler zwischen der Vorhersage und der tatsächlichen Antwort zu minimieren. Dieser Prozess wird durch einen [[Backpropagation|Rückpropagationsalgorithmus]] gesteuert.

{{:BRK}}

== Anwendungen im Alltag ==

Neuronale Netze haben viele praktische Anwendungen, die Du auch in den Unterricht einbauen kannst:

{{o}} [[Sprachassistenten]]: Programme wie [[Siri]] oder [[Google Assistant]], die natürliche Sprache verstehen und verarbeiten.
{{o}} [[Bildklassifikation]]: Erkennung von Objekten auf Bildern, z. B. durch [[Convolutional Neural Networks (CNNs)]].
{{o}} [[Vorhersagemodelle]]: Anwendungen zur Prognose von Trends, z. B. in der [[Wirtschaft]].
{{o}} [[Kreative KI]]: Systeme wie [[DeepArt]] oder [[DALL-E]], die Kunst und Designs generieren.

{{:BRK}}

== Neuronale Netze im Unterricht ==

Der Einsatz von neuronalen Netzen im [[Bildungswesen]] bietet zahlreiche Möglichkeiten, um [[Medienkompetenz]] und technisches Verständnis zu fördern. Hier sind einige Anwendungsbeispiele:

{{o}} **Datenanalyse im Unterricht:** Lasse Schüler:innen einfache neuronale Netze erstellen, um Trends in Datensätzen zu analysieren.
{{o}} **Praktische Projekte:** Nutze Tools wie [[Teachable Machine]] von [[Google]], um interaktive Projekte zu erstellen.
{{o}} **Diskussion von ethischen Fragen:** Thematisiere die Auswirkungen von [[KI]] und [[Bias]] in neuronalen Netzen.

{{:BRK}}

= Offene Aufgaben =

=== Leicht ===

{{o}} [[Erkläre den Aufbau eines neuronalen Netzes]]: Beschreibe die grundlegenden Elemente eines neuronalen Netzes in Deinen eigenen Worten.
{{o}} [[Finde praktische Beispiele]]: Suche im Internet nach Anwendungen von neuronalen Netzen im Alltag.
{{o}} [[Diskutiere Vor- und Nachteile]]: Liste Vor- und Nachteile von neuronalen Netzen auf und überlege, wie sie das Leben erleichtern können.

=== Standard ===

{{o}} [[Entwerfe ein einfaches neuronales Netz]]: Nutze eine Plattform wie [[Scratch]] oder [[Teachable Machine]], um ein einfaches Netz zu erstellen.
{{o}} [[Ethik im Fokus]]: Analysiere ethische Fragestellungen rund um den Einsatz von neuronalen Netzen.
{{o}} [[Trainiere ein KI-Modell]]: Lerne, wie Du ein vorgefertigtes Modell (z. B. ein [[MNIST-Datensatz]]-Modell) trainierst.

=== Schwer ===

{{o}} [[Entwickle ein Unterrichtskonzept]]: Erstelle eine Unterrichtseinheit, die den Aufbau und die Funktionsweise von neuronalen Netzen erklärt.
{{o}} [[Untersuche Bias]]: Führe ein Experiment durch, um zu zeigen, wie Bias in neuronalen Netzen entsteht.
{{o}} [[Kombiniere Methoden]]: Entwickle ein Projekt, das neuronale Netze mit anderen KI-Technologien kombiniert, z. B. [[NLP]].

{{:Offene Aufgabe - MOOC erstellen}}

{{:BRK}}

= Workshop =

{{o}} [[Analysiere ein neuronales Netz]]: Führe eine detaillierte Analyse eines vorgefertigten neuronalen Netzes durch und dokumentiere die Funktionsweise.
{{o}} [[Veranschauliche KI]]: Entwerfe eine Visualisierung, die die Funktionsweise eines neuronalen Netzes für Schüler:innen verständlich erklärt.
{{o}} [[Erstelle eine Debatte]]: Organisiere eine Klassendebatte über die Chancen und Risiken von neuronalen Netzen.
{{o}} [[Projekttag "Neuronale Netze"]] : Plane und führe einen Projekttag durch, bei dem Schüler:innen ein neuronales Netz ausprobieren können.
{{o}} [[Transferleistung]]: Untersuche, wie neuronale Netze zur Lösung eines realen Problems in Deiner Schule oder Gemeinde eingesetzt werden könnten.

{{:BRK}}

= Quiz =

{{:Multiple-Choice Anfang}}

'''Welche Schichten gibt es in einem neuronalen Netz?'''
(Eingabeschicht, verborgene Schichten, Ausgabeschicht)
(!Prozessor, Speicher, Ausgabe)
(!Input, Hidden, Matrix)
(!Datenebene, Verknüpfungsebene, Ausgabe)

{{:Multiple-Choice Ende}}

{{:Multiple-Choice Anfang}}

'''Wofür wird die Rückpropagation verwendet?'''
(Zur Anpassung der Gewichte im Netzwerk)
(!Zum Speichern der Trainingsdaten)
(!Zum Generieren neuer Daten)
(!Zur Visualisierung der Ergebnisse)

{{:Multiple-Choice Ende}}

{{:Multiple-Choice Anfang}}

'''Was ist eine Aktivierungsfunktion?'''
(Eine Funktion, die entscheidet, ob ein Neuron aktiv wird)
(!Ein Datensatz für das Training)
(!Ein Optimierungsverfahren)
(!Eine Methode zur Modellbewertung)

{{:Multiple-Choice Ende}}

{{:Multiple-Choice Anfang}}

'''Welche Aufgabe erfüllen Convolutional Neural Networks?'''
(Objekterkennung in Bildern)
(!Texterstellung)
(!Spracherkennung)
(!Datenkompression)

{{:Multiple-Choice Ende}}

{{:Multiple-Choice Anfang}}

'''Welche ethische Frage stellt sich bei neuronalen Netzen?'''
(Der Umgang mit Bias in Daten)
(!Die Geschwindigkeit der Berechnungen)
(!Die Anzahl der Neuronen)
(!Die Größe der Trainingsdaten)

{{:Multiple-Choice Ende}}

{{:Multiple-Choice Anfang}}

'''Welche Plattform eignet sich für erste Projekte mit neuronalen Netzen?'''
(Teachable Machine)
(!Excel)
(!PowerPoint)
(!Photoshop)

{{:Multiple-Choice Ende}}

{{:Multiple-Choice Anfang}}

'''Was beschreibt der Begriff "Backpropagation"?'''
(Einen Algorithmus zur Fehlerkorrektur)
(!Ein Modell zur Datenklassifikation)
(!Eine Art von Datensatz)
(!Eine Visualisierungstechnik)

{{:Multiple-Choice Ende}}

{{:Multiple-Choice Anfang}}

'''Welche Funktion hat die Eingabeschicht?'''
(Sie nimmt Daten auf und leitet sie weiter)
(!Sie klassifiziert Daten)
(!Sie generiert Ergebnisse)
(!Sie speichert Trainingsdaten)

{{:Multiple-Choice Ende}}

{{:Multiple-Choice Anfang}}

'''Welche Aufgabe hat ein Optimierungsalgorithmus?'''
(Er minimiert den Fehler des Modells)
(!Er definiert die Größe der Daten)
(!Er erzeugt Trainingsdaten)
(!Er visualisiert Ergebnisse)

{{:Multiple-Choice Ende}}

{{:Multiple-Choice Anfang}}

'''Was ist der Hauptvorteil von neuronalen Netzen?'''
(Sie können komplexe Muster erkennen)
(!Sie sind einfach zu programmieren)
(!Sie benötigen keine Daten)
(!Sie ersetzen alle anderen KI-Modelle)

{{:Multiple-Choice Ende}}

{{:BRK}}

= OERs zum Thema =

<iframe>https://de.m.wikipedia.org/wiki/K%C3%BCnstliches_neuronales_Netz</iframe>

{{:BRK}}

= Links =

{| align=center
{{:D-Tab}}
'''[[Neuronale Netze]]'''
{{o}} [[Künstliche Intelligenz]]
{{o}} [[Machine Learning]]
{{o}} [[Deep Learning]]
{{o}} [[Ethik der KI]]
|}

[[Kategorie:AI_MOOC]] [[Kategorie:GPT aiMOOC]] [[Kategorie:Fortbildung]] [[Kategorie:Lehrerfortbildung]] [[Kategorie:KI im Unterricht]]

{{:MOOCit - Oben}}

= Fortgeschrittene neuronale Netze: Tiefere Einblicke und komplexe Anwendungen =

Dieser aiMOOC baut auf den Grundlagen des Moduls [[Neuronale Netze]] auf und vertieft Dein Wissen zu fortgeschrittenen Konzepten und Anwendungen. Du lernst, wie komplexere Architekturen wie [[Rekurrente Neuronale Netze (RNNs)]] oder [[Transformer-Modelle]] funktionieren, und erhältst Einblicke in spezialisierte Techniken wie [[Transfer Learning]] und [[Feature Engineering]]. Außerdem wirst Du die Möglichkeit haben, eigene anspruchsvolle Projekte zu entwerfen und umzusetzen.

{{:BRK}}

== Fortgeschrittene Konzepte: Architektur und Funktion ==

Neuronale Netze entwickeln sich ständig weiter, und neue Architekturen erweitern die Möglichkeiten der [[Künstlichen Intelligenz]]:

{{o}} **Rekurrente Neuronale Netze (RNNs):** Diese Netzwerke sind speziell für die Verarbeitung von [[Sequenzdaten]] wie Texten oder Zeitreihen konzipiert. Sie verwenden [[Schleifen]] innerhalb der Architektur, um vergangene Zustände zu berücksichtigen.
{{o}} **Langzeit-Kurzzeitspeicher (LSTM) und Gated Recurrent Units (GRUs):** Weiterentwicklungen der RNNs, die besser mit [[Langzeitabhängigkeiten]] umgehen können.
{{o}} **Transformer-Modelle:** Moderne Architekturen, die in der [[Natürlichen Sprachverarbeitung (NLP)]] wegweisend sind, z. B. [[GPT]] und [[BERT]]. Sie nutzen [[Selbstaufmerksamkeit]] (Self-Attention), um kontextuelle Bedeutungen in großen Datenmengen zu analysieren.

{{:BRK}}

== Transfer Learning: Effizientes Modelltraining ==

[[Transfer Learning]] ermöglicht es, vortrainierte neuronale Netze zu nutzen und sie auf spezifische Anwendungen zu adaptieren. Dies spart Zeit und Ressourcen, da das Modell auf einer großen, allgemeinen Datenbasis bereits trainiert wurde.

Beispiel: Du kannst ein Modell wie [[ResNet]] oder [[MobileNet]] verwenden, das auf [[ImageNet]] vortrainiert wurde, und es anpassen, um spezifische Bilder in Deinem Unterricht zu klassifizieren.

{{:BRK}}

== Feature Engineering: Daten vorbereiten und optimieren ==

Die Qualität der [[Eingabedaten]] spielt eine entscheidende Rolle für die Leistung eines neuronalen Netzes. [[Feature Engineering]] umfasst Strategien zur Optimierung der Daten:

{{o}} **Datenbereinigung:** Entfernen von [[Ausreißern]] und fehlerhaften Daten.
{{o}} **Feature-Transformation:** Skalieren oder Normalisieren der Daten, um die [[Korrelation]] zwischen den Merkmalen zu verbessern.
{{o}} **Dimensionalitätsreduktion:** Methoden wie [[Principal Component Analysis (PCA)]], um die Rechenlast zu verringern.

{{:BRK}}

== Anwendungen: Spezialfälle im Unterricht ==

Fortgeschrittene neuronale Netze bieten vielfältige Einsatzmöglichkeiten für den Unterricht:

{{o}} **Sprachübersetzer:** Erstelle mit [[Seq2Seq-Modellen]] ein Übersetzungsprojekt.
{{o}} **Textgenerierung:** Lasse Schüler:innen mit GPT-Modellen kreative Texte generieren.
{{o}} **Personalisierte Lernsysteme:** Entwickle ein KI-Modell, das individuelles Lernen fördert, indem es Daten zur Lernprogression analysiert.

{{:BRK}}

== Herausforderungen und ethische Überlegungen ==

Mit zunehmender Komplexität der neuronalen Netze entstehen auch neue Herausforderungen:

{{o}} **Rechenressourcen:** Fortgeschrittene Modelle erfordern oft leistungsstarke Hardware wie [[GPUs]] oder [[TPUs]].
{{o}} **Erklärbarkeit:** Die Komplexität moderner Netzwerke erschwert die [[Interpretierbarkeit]] der Ergebnisse.
{{o}} **Bias und Fairness:** Durch das Training mit unsauberen Daten können [[Vorurteile (Bias)|Vorurteile]] verstärkt werden.

Diskutiere mit Deinen Schüler:innen, wie diese Probleme in der Praxis adressiert werden können.

{{:BRK}}

= Offene Aufgaben =

=== Standard ===

{{o}} [[Vergleiche Architekturen]]: Analysiere die Unterschiede zwischen CNNs, RNNs und Transformer-Modellen.
{{o}} [[Experimentiere mit Transfer Learning]]: Nutze ein vortrainiertes Modell und passe es an eine spezifische Anwendung an.
{{o}} [[Optimiere Daten]]: Führe eine Datenbereinigung und Feature-Transformation an einem Datensatz durch.

=== Schwer ===

{{o}} [[Baue ein Transformer-Modell]]: Implementiere ein eigenes Transformer-Modell, z. B. mit [[Hugging Face Transformers]].
{{o}} [[Erstelle eine Deep-Learning-Pipeline]]: Entwickle eine komplette Pipeline, die Datenvorbereitung, Modelltraining und Evaluierung umfasst.
{{o}} [[Untersuche Bias]]: Führe ein Experiment durch, um die Auswirkungen von Bias in einem komplexen Modell zu analysieren und zu minimieren.

{{:Offene Aufgabe - MOOC erstellen}}

{{:BRK}}

= Workshop =

{{o}} [[Erstelle ein KI-gestütztes Lernsystem]]: Plane und implementiere ein personalisiertes Lernsystem für Deine Klasse.
{{o}} [[Visualisiere Modellentscheidungen]]: Entwickle eine Visualisierung, die zeigt, wie ein neuronales Netz Entscheidungen trifft.
{{o}} [[Implementiere eine NLP-Anwendung]]: Nutze Transformer-Modelle, um eine Anwendung wie Textzusammenfassung oder Sentiment-Analyse zu erstellen.
{{o}} [[Ethische Fallstudie]]: Analysiere eine reale Anwendung fortgeschrittener KI und diskutiere ihre ethischen Implikationen.
{{o}} [[Leite ein KI-Projekt]]: Führe ein schulweites Projekt durch, das ein praktisches Problem mit fortgeschrittenen neuronalen Netzen löst.

{{:BRK}}

= Quiz =

{{:Multiple-Choice Anfang}}

'''Was ist die Hauptaufgabe eines Transformer-Modells?'''
(Verarbeitung von Sequenzdaten durch Selbstaufmerksamkeit)
(!Bildklassifikation)
(!Feature-Engineering)
(!Fehlerkorrektur)

{{:Multiple-Choice Ende}}

{{:Multiple-Choice Anfang}}

'''Was ist der Vorteil von Transfer Learning?'''
(Vortrainierte Modelle reduzieren den Trainingsaufwand)
(!Die Modelle erfordern keine Daten)
(!Es verbessert die Hardwareleistung)
(!Es eliminiert Bias vollständig)

{{:Multiple-Choice Ende}}

{{:Multiple-Choice Anfang}}

'''Wofür werden LSTM-Netzwerke genutzt?'''
(Für die Verarbeitung von Langzeitabhängigkeiten in Sequenzen)
(!Zur Reduzierung der Netzwerkkomplexität)
(!Für die Erkennung von Bildern)
(!Zur Datenspeicherung)

{{:Multiple-Choice Ende}}

{{:Multiple-Choice Anfang}}

'''Welches Konzept nutzt ein Transformer-Modell?'''
(Selbstaufmerksamkeit)
(!Rückkopplung)
(!Faltung)
(!Dimensionalitätsreduktion)

{{:Multiple-Choice Ende}}

{{:Multiple-Choice Anfang}}

'''Was beschreibt Feature Engineering?'''
(Die Optimierung und Vorbereitung von Daten)
(!Die Modellbewertung)
(!Die GPU-Konfiguration)
(!Die Generierung neuer Daten)

{{:Multiple-Choice Ende}}

{{:Multiple-Choice Anfang}}

'''Welche Methode hilft, die Dimension von Daten zu reduzieren?'''
(Principal Component Analysis (PCA))
(!Backpropagation)
(!Self-Attention)
(!Gradientenabstieg)

{{:Multiple-Choice Ende}}

{{:Multiple-Choice Anfang}}

'''Was ist ein Bias in neuronalen Netzen?'''
(Eine Verzerrung in den Daten oder Modellen)
(!Eine Überanpassung an Trainingsdaten)
(!Eine zufällige Gewichtsanpassung)
(!Eine fehlerhafte Aktivierungsfunktion)

{{:Multiple-Choice Ende}}

{{:Multiple-Choice Anfang}}

'''Welche Ressource wird für komplexe neuronale Netze benötigt?'''
(GPU oder TPU)
(!SSD-Speicher)
(!Browser)
(!Drucker)

{{:Multiple-Choice Ende}}

{{:Multiple-Choice Anfang}}

'''Was bedeutet Interpretierbarkeit in neuronalen Netzen?'''
(Das Verständnis, wie ein Modell Entscheidungen trifft)
(!Die Geschwindigkeit des Modelltrainings)
(!Die Anpassungsfähigkeit eines Modells)
(!Die Fehlerquote eines Modells)

{{:Multiple-Choice Ende}}

{{:Multiple-Choice Anfang}}

'''Wofür werden Transformer-Modelle hauptsächlich eingesetzt?'''
(Für Anwendungen in der natürlichen Sprachverarbeitung)
(!Für einfache Bildklassifikation)
(!Für die Speicherung von Daten)
(!Für die Erstellung von Features)

{{:Multiple-Choice Ende}}

{{:BRK}}

= OERs zum Thema =

<iframe>https://de.m.wikipedia.org/wiki/Transformer_(Modell)</iframe>

{{:BRK}}

= Links =

{| align=center
{{:D-Tab}}
'''[[Neuronale Netze]]'''
{{o}} [[Transfer Learning]]
{{o}} [[Transformer-Modelle]]
{{o}} [[Feature Engineering]]
{{o}} [[Deep Learning]]
|}

[[Kategorie:AI_MOOC]] [[Kategorie:GPT aiMOOC]] [[Kategorie:Fortbildung]] [[Kategorie:Lehrerfortbildung]] [[Kategorie:KI im Unterricht]]

{{:MOOCit - Oben}}

= Neuronale Netze für Experten: Spitzenforschung und innovative Anwendungen =

Dieser dritte Teil der Reihe zu [[Neuronale Netze]] richtet sich an Expert:innen, die sich mit den neuesten Entwicklungen und tiefgehenden Konzepten der [[Künstlichen Intelligenz]] beschäftigen möchten. Im Fokus stehen hochkomplexe Architekturen, Optimierungsmethoden und deren Anwendung in der Forschung sowie ethische und gesellschaftliche Implikationen.

{{:BRK}}

== Spitzenforschung in neuronalen Netzen ==

Neuronale Netze sind das Herzstück moderner [[KI-Forschung]]. Folgende Konzepte und Entwicklungen dominieren derzeit die Forschung:

{{o}} [[Spiking Neural Networks (SNNs)]]: Eine biologisch inspirierte Architektur, die neuronale Signale zeitlich dynamisch verarbeitet. Sie verspricht Energieeffizienz und eignet sich für [[Neuromorphe Hardware]].
{{o}} [[Graph Neural Networks (GNNs)]]: Netzwerke, die sich auf die Verarbeitung von [[Graphdaten]] konzentrieren, z. B. für [[Soziale Netzwerke]], [[Chemoinformatik]] oder [[Recommendation Engines]].
{{o}} [[Self-Supervised Learning]]: Eine Methode, bei der Modelle ohne manuelle Label große Datenmengen nutzen können, z. B. in [[Vision Transformers (ViTs)]].
{{o}} [[Federated Learning]]: Ein Ansatz, bei dem Modelle auf verteilten Datenquellen trainiert werden, um Datenschutz zu gewährleisten.

{{:BRK}}

== Optimierung und Training fortgeschrittener Modelle ==

Das Training neuronaler Netze wird zunehmend durch innovative Techniken optimiert:

{{o}} [[Hyperparameter-Tuning]]: Automatisierte Optimierung von [[Hyperparametern]] durch [[Bayessche Optimierung]] oder [[Grid Search]].
{{o}} [[Zero-Shot Learning]] und [[Few-Shot Learning]]: Systeme, die mit minimalen oder gar keinen Trainingsdaten neue Aufgaben bewältigen können.
{{o}} [[Distributed Training]]: Training auf Clustern oder Supercomputern zur Bewältigung großer Datenmengen und Modelle.
{{o}} [[Mixed-Precision Training]]: Eine Technik, die Rechenleistung und Speicherbedarf durch den Einsatz unterschiedlicher Datenpräzisionen optimiert.

{{:BRK}}

== Cutting-Edge-Anwendungen ==

Fortgeschrittene neuronale Netze finden in hochkomplexen Szenarien Anwendung, darunter:

{{o}} [[Generative Modelle]]: Techniken wie [[Generative Adversarial Networks (GANs)]] und [[Diffusion Models]] ermöglichen die Erstellung realistischer Bilder, Videos und Audioinhalte.
{{o}} [[Bioinformatik]]: Anwendung bei der Entdeckung von Wirkstoffen, Proteinfaltung (z. B. [[AlphaFold]]) und der Analyse von [[Genomdaten]].
{{o}} [[Autonome Systeme]]: Einsatz in autonomen Fahrzeugen, Robotik und [[Smart Cities]].
{{o}} [[Energieoptimierung]]: Unterstützung bei der Optimierung von Stromnetzen und erneuerbaren Energien durch [[KI-Modelle]].

{{:BRK}}

== Gesellschaftliche Implikationen und Verantwortung ==

Mit dem Potenzial von neuronalen Netzen gehen auch erhebliche gesellschaftliche Herausforderungen einher:

{{o}} [[Künstliche Generalintelligenz (AGI)]]: Diskussion über den Weg hin zu einer umfassenden KI, die menschliche Fähigkeiten übertreffen könnte.
{{o}} [[KI-Governance]]: Regulierungsansätze, um den Einsatz von KI zu kontrollieren und sicherzustellen, dass sie verantwortungsvoll genutzt wird.
{{o}} [[Nachhaltigkeit]]: Minimierung des Energieverbrauchs beim Training großer Modelle.
{{o}} [[Ethische Fragen]]: Umgang mit Bias, Fairness und der Transparenz von KI-Entscheidungen.

{{:BRK}}

= Offene Aufgaben =

=== Standard ===

{{o}} [[Vergleiche fortgeschrittene Architekturen]]: Analysiere die Unterschiede zwischen [[SNNs]], [[GNNs]] und [[Transformer-Modellen]].
{{o}} [[Erforsche Generative Modelle]]: Implementiere ein [[GAN]] oder ein [[Diffusion Model]], um realistische Inhalte zu erstellen.
{{o}} [[Untersuche Selbstüberwachtes Lernen]]: Nutze ein Framework wie [[PyTorch]] oder [[TensorFlow]], um ein Modell mit [[Self-Supervised Learning]] zu trainieren.

=== Schwer ===

{{o}} [[Baue ein Graph Neural Network]]: Implementiere ein [[GNN]] zur Analyse komplexer Netzwerke, z. B. soziale Netzwerke oder molekulare Strukturen.
{{o}} [[Erstelle eine KI-Evaluationsstrategie]]: Entwickle Kriterien zur Bewertung der Leistung, Effizienz und Fairness eines Modells.
{{o}} [[Führe ein Projekt zu Federated Learning durch]]: Setze ein verteiltes Trainingsszenario auf, z. B. für medizinische Daten oder Smart Devices.

{{:Offene Aufgabe - MOOC erstellen}}

{{:BRK}}

= Workshop =

{{o}} [[Entwickle eine nachhaltige Trainingsstrategie]]: Optimiere ein großes Modell, um den Energieverbrauch zu reduzieren.
{{o}} [[Analyse von Datenschutzstrategien]]: Untersuche, wie [[Federated Learning]] und andere Technologien den Datenschutz verbessern können.
{{o}} [[Ethische Fallstudie zu neuronalen Netzen]]: Analysiere ein realweltliches Beispiel, bei dem KI zu ethischen Problemen geführt hat, und entwickle Lösungen.
{{o}} [[Leite ein Forschungsteam]]: Plane und leite ein Teamprojekt, das ein innovatives Problem mit neuronalen Netzen löst.
{{o}} [[Entwickle eine Vision für die Zukunft von KI]]: Entwerfe eine Strategie, wie Deine Schule, Universität oder Organisation KI verantwortungsvoll nutzen kann.

{{:BRK}}

= Quiz =

{{:Multiple-Choice Anfang}}

'''Was ist das Hauptziel von Spiking Neural Networks?'''
(Energieeffiziente Verarbeitung zeitlich dynamischer Daten)
(!Erkennung von Graphdaten)
(!Klassifikation von Bildern)
(!Optimierung von Sequenzmodellen)

{{:Multiple-Choice Ende}}

{{:Multiple-Choice Anfang}}

'''Welche Datenstruktur verarbeiten Graph Neural Networks?'''
(Graphen mit Knoten und Kanten)
(!Tabellen mit Spalten und Zeilen)
(!Zeitreihen in Vektoren)
(!Textdaten in Sequenzen)

{{:Multiple-Choice Ende}}

{{:Multiple-Choice Anfang}}

'''Was ist der Vorteil von Mixed-Precision Training?'''
(Reduzierter Rechenaufwand bei gleichbleibender Modellleistung)
(!Es beseitigt Bias vollständig)
(!Es ermöglicht unbegrenzte Datenverarbeitung)
(!Es erfordert weniger Datenvorbereitung)

{{:Multiple-Choice Ende}}

{{:Multiple-Choice Anfang}}

'''Wofür werden Vision Transformers eingesetzt?'''
(Verarbeitung von Bilddaten durch Selbstaufmerksamkeit)
(!Analyse von Zeitreihen)
(!Optimierung von Sprachmodellen)
(!Generierung von Texten)

{{:Multiple-Choice Ende}}

{{:Multiple-Choice Anfang}}

'''Welches Ziel verfolgt Self-Supervised Learning?'''
(Training von Modellen ohne manuelle Labels)
(!Verarbeitung biologischer Daten)
(!Bereitstellung von Hyperparametern)
(!Reduktion von Datenaufwand)

{{:Multiple-Choice Ende}}

{{:Multiple-Choice Anfang}}

'''Welcher Ansatz schützt die Privatsphäre beim Modelltraining?'''
(Federated Learning)
(!Graph Neural Networks)
(!Reinforcement Learning)
(!Hyperparameter-Tuning)

{{:Multiple-Choice Ende}}

{{:Multiple-Choice Anfang}}

'''Welches generative Modell erstellt realistische Bilder?'''
(Generative Adversarial Networks (GANs))
(!Graph Neural Networks (GNNs))
(!Recurrent Neural Networks (RNNs))
(!Spiking Neural Networks (SNNs))

{{:Multiple-Choice Ende}}

{{:Multiple-Choice Anfang}}

'''Welcher Prozess optimiert Hyperparameter?'''
(Bayessche Optimierung)
(!Mixed-Precision Training)
(!Self-Supervised Learning)
(!Federated Learning)

{{:Multiple-Choice Ende}}

{{:Multiple-Choice Anfang}}

'''Was ist ein zentrales Ziel der KI-Governance?'''
(Verantwortungsvoller Einsatz von KI)
(!Erhöhung der Rechengeschwindigkeit)
(!Automatisierung von Datenmanagement)
(!Beseitigung von Modellfehlern)

{{:Multiple-Choice Ende}}

{{:Multiple-Choice Anfang}}

'''Was beschreibt Few-Shot Learning?'''
(Training mit wenigen Beispielen)
(!Datenverarbeitung in Clustern)
(!Erkennung von Langzeitabhängigkeiten)
(!Erstellung von Bildklassifikationen)

{{:Multiple-Choice Ende}}

{{:BRK}}

= OERs zum Thema =

<iframe>https://de.m.wikipedia.org/wiki/K%C3%BCnstliches_neuronales_Netz</iframe>

{{:BRK}}

= Links =

{| align=center
{{:D-Tab}}
'''[[Neuronale Netze]]'''
{{o}} [[Spiking Neural Networks]]
{{o}} [[Graph Neural Networks]]
{{o}} [[Self-Supervised Learning]]
{{o}} [[Generative Adversarial Networks]]
|}

= Teilen - Diskussion - Bewerten =
{{:Teilen - MOOCit}}
[[Kategorie:AI_MOOC]] [[Kategorie:GPT aiMOOC]] [[Kategorie:Fortbildung]] [[Kategorie:Lehrerfortbildung]] [[Kategorie:KI im Unterricht]]

Neuronale Netze - Versionsgeschichte