Maskinlæring møder matematik

Dette forløb kobler teknologiforståelse og matematik gennem arbejdet med maskinlæring. Eleverne bruger micro:bits og ml-machine.org til at bygge deres egne maskinlæringsmodeller, som kan genkende bevægelser som “løb på stedet” og “englehop”. Herefter afprøver de hinandens modeller.  Undervejs stifter eleverne kendskab med centrale begreber fra maskinlæring, som model, klasse og eksempel, og de arbejder med matematiske […]
📖 Matematik, Teknologiforståelse✎ Udskoling🕓 3 dobbeltlektioner (3 x 90 minutter)

Intro

Dette forløb kobler teknologiforståelse og matematik gennem arbejdet med maskinlæring. Eleverne bruger micro:bits og ml-machine.org til at bygge deres egne maskinlæringsmodeller, som kan genkende bevægelser som “løb på stedet” og “englehop”. Herefter afprøver de hinandens modeller. 

Undervejs stifter eleverne kendskab med centrale begreber fra maskinlæring, som model, klasse og eksempel, og de arbejder med matematiske begreber som koordinatsystemer, gennemsnit og fordeling. Gennem tre undervisningsgange bevæger forløbet sig fra en introduktion til maskinlæring, til afprøvning af egne og andres modeller, og til en fordybelse i, hvad det vil sige at indsamle repræsentative data. 

Forløbet giver eleverne en konkret, hands-on forståelse af, hvordan data, algoritmer og modeller hænger sammen, og hvorfor repræsentativitet er afgørende for, om en maskinlæringsmodel virker godt for alle brugere. 

Mål 

  • Eleverne kan forklare centrale begreber i maskinlæring: data, model, klasse og eksempel. 
  • Eleverne kan bygge, afprøve og evaluere en simpel maskinlæringsmodel ved hjælp af micro:bit og ml-machine.org. 
  • Eleverne kan bruge matematiske begreber (koordinatsystem, gennemsnit, fordeling) til at beskrive og vurdere data og modeller. 
  • Eleverne kan forklare, hvad datarepræsentativitet betyder, og hvorfor det er vigtigt for en models kvalitet. 

Udviklere

Jack Jalal Kallo, KU
Karl-Emil Kjær Bilstrup, AU

Forløbet i trin

Materialer

Spacer