Modul 1: Lektion 4: Das Problem der Voreingenommenheit

In dieser Lektion wird erläutert, wie die zum Trainieren verwendeten Daten Voreingenommenheit in Modellen für maschinelles Lernen verursachen können. Die Lernenden erstellen ein eigenes ML-Modell zur Klassifizierung von Bildern von Äpfeln und Tomaten und entdecken, wie ein kleiner Datensatz zu voreingenommenen und ungenauen Vorhersagen führen kann. Abschließend untersuchen sie zwei Arten der Voreingenommenheit, die in Trainingsdaten auftreten können.

Lernziele

  • Beschreiben der Auswirkungen von Daten auf die Genauigkeit eines Modells für maschinelles Lernen
  • Erklären der Notwendigkeit von Trainingsdaten und Testdaten
  • Erklären des Einflusses von Voreingenommenheit auf die von einem ML-Modell erzeugten Vorhersagen

Zentraler Wortschatz

Trainingsdaten, Testdaten, Genauigkeit, Datenvoreingenommenheit, gesellschaftliche Voreingenommenheit

Aufbau der Lektion

  • Datentypen für die Klassifizierung
  • Supermarkt-KI-Anwendung
  • Voreingenommenheit
  • Optional: Dein zukünftiger Beruf

Material herunterladen

Zum Herunterladen des Unterrichtsplans, der Folien und der Aufgaben melden Sie sich an, bzw. erstellen Sie ein kostenloses Raspberry Pi Foundation-Konto.
Wir werden Ihnen ein paar Fragen zu der Art und Weise stellen, wie Sie das Material verwenden werden.