Informatik 12

KI und Machinelearning

KI und Machinelearning


E. S.
Diese Lernkarten vermitteln Grundlagen der künstlichen Intelligenz, speziell für die Grundschule aufbereitet. Sie erklären zentrale Begriffe wie maschinelles Lernen, Modelle und Aufgaben, zeigen Zusammenhänge zwischen KI, ML und neuronalen Netzen auf und veranschaulichen Methoden wie Klassifikation oder Computer Vision. Schüler profitieren von anschaulichen Beispielen und einfachen Erklärungen, die komplexe Themen verständlich machen.
Cartes-fiches
14
Utilisateurs
0
Langue
Allemand
Catégorie
Informatique
Créé / Mis à jour
16.11.2026 / 16.11.2026

Cartes-fiches

Was ist künstliche Intelligenz?

Künstliche Intelligenz (KI) bezeichnet Systeme, die Aufgaben ausführen, für die typischerweise Fähigkeiten wie Lernen, Schlussfolgern oder das Erkennen von Mustern erforderlich sind. Welche Verfahren dafür eingesetzt werden, kann sehr unterschiedlich sein.

Welche KI-Perspektiven gibt es und was ist der Turing-Test?

KI kann danach betrachtet werden, ob ein System menschlich wirkt oder bestimmte Aufgaben rational löst. Beim Turing-Test wird untersucht, ob ein Mensch in einer Unterhaltung zwischen einer Maschine und einem Menschen unterscheiden kann.

Was unterscheidet schwache und starke KI?

Schwache KI ist auf bestimmte Aufgaben oder Anwendungsbereiche ausgerichtet. Starke KI bezeichnet die Vorstellung einer allgemeinen, menschenähnlichen Intelligenz, die weit über einzelne Spezialaufgaben hinausgeht.

Was ist Machine Learning und was bedeuten E, T und P?

Machine Learning ist ein Teilgebiet der KI, bei dem Systeme aus Erfahrungen beziehungsweise Daten lernen. In einer verbreiteten Definition verbessert sich die Leistung P bei einer Aufgabe T durch Erfahrung E.

Was ist überwachtes und unüberwachtes Lernen?

Beim überwachten Lernen werden Beispiele mit bekannten Zielwerten verwendet, damit das Modell Zusammenhänge erlernt. Beim unüberwachten Lernen sucht das Modell dagegen ohne vorgegebene Zielwerte nach Strukturen in den Daten.

Was sind Klassifikation, Regression und Clustering?

Klassifikation ordnet Beobachtungen bestimmten Kategorien zu, während Regression numerische Werte vorhersagt. Clustering fasst ähnliche Beobachtungen zu Gruppen zusammen, ohne dass die Gruppen vorher vorgegeben sein müssen.

Wie hängen KI, ML, Deep Learning und neuronale Netze zusammen?

Machine Learning ist ein Teilgebiet der künstlichen Intelligenz. Deep Learning ist wiederum ein Teilgebiet des Machine Learning und arbeitet häufig mit künstlichen neuronalen Netzen aus mehreren Verarbeitungsschichten.

Welche Meilensteine der KI-Geschichte sind wichtig?

Die Entwicklung der KI umfasst frühe symbolische Ansätze, Phasen geringerer Erwartungen und spätere Fortschritte durch mehr Rechenleistung und Daten. Besonders das maschinelle Lernen hat viele heutige Anwendungen geprägt.

Was ist NLP und wofür wird es eingesetzt?

Natural Language Processing (NLP) beschäftigt sich mit der automatischen Verarbeitung menschlicher Sprache. Anwendungen sind beispielsweise Übersetzung, Textanalyse oder Sprachassistenten.

Was ist Computer Vision und was kann es?

Computer Vision ermöglicht es Computersystemen, Informationen aus Bildern und Videos zu verarbeiten. Beispiele sind Objekterkennung oder die Analyse visueller Muster.

Was bedeutet Reasoning in der KI?

Reasoning bedeutet, aus vorhandenen Informationen Schlussfolgerungen abzuleiten. In der KI geht es dabei darum, Regeln oder gelernte Zusammenhänge für neue Aufgaben anzuwenden.

Was misst MSE?

Der Mean Squared Error (MSE) misst den durchschnittlichen quadratischen Abstand zwischen vorhergesagten und tatsächlichen Werten. Grosse Abweichungen fallen wegen des Quadrierens besonders stark ins Gewicht.

Was ist Overfitting und wozu dienen Testdaten?

Overfitting entsteht, wenn ein Modell die Trainingsdaten sehr genau lernt, aber bei neuen Daten schlecht abschneidet. Deshalb verwendet man getrennte Testdaten, um die Verallgemeinerungsfähigkeit zu überprüfen.

Wie unterscheiden sich Trainings- und Testdaten beim maschinellen Lernen?

Mit Trainingsdaten lernt ein Modell Zusammenhänge und passt seine Parameter an. Testdaten werden getrennt zurückbehalten, damit man beurteilen kann, wie gut das Modell mit bisher unbekannten Beispielen zurechtkommt.

Étudier