Lectures
Schülerpraktikum
Teilnehmer des Schülerpraktikums können hier erste Erfahrungen mit Künstlicher Intelligenz, Scratch und Lego-Aktoren sammeln.
Einleitende Informationen:
- Was ist ein Neuronales Netzwerk?
- But what is a neural network? | Deep learning chapter 1 by 3Blue1Brown (und weitere Kapitel)
- Künstliche Intelligenz Special: Künstliche neuronale Netze - Computer lernen sehen | Phil's Physics
- Physik-Nobelpreis 2024 für maschinelles Lernen (heise, 8.10.2024) - Original Ankündigung bei nobelprize.org
- KI-Modelle: Einfluss auf Politik und Kultur. Unterschiede zwischen kommerziellen und öffentlich geförderten Modellen am Beispiel von OpenGPT-X.
- OpenGPT-X bei Hugging Face und
- eigene Webseite opengpt-x.de
KI im Browser ausprobieren:
- https://cs.stanford.edu/people/karpathy/convnetjs/
Am besten in dieser Reihenfolge, von einfach zu schwer:- In einer Dimension anpassen mit einem eigenen Netz
- Zahlen erkennen / Modell anpassen
Auswirkungen auf Training und Test Genauigkeit
- Tensorflow Playground
Mit der Prorgammiersprache Scratch:
Ankommen mit Scratch:
- Wähle Fangspiel oder Pong
- Programmierung mit Scratch 3: https://machinelearningforkids.co.uk/scratch/
- Im zweiten Schritt werden wir den Schläger mittels KI, Kamera und Hand steuern. Dazu dieses Scratch 3 verwenden: https://machinelearningforkids.co.uk/#!/pretrained
Angekommen? Dann geht's hier weiter:
- Sortiermaschine bauen mit Tensorflow, Scratch und Lego-Boost:
- Videoanleitung
- Zur Projektseite (leider defekt), benötigte Links:
- https://teachablemachine.withgoogle.com
- https://machinelearningforkids.co.uk
- Scratch Link, im Boost im Browser anzusprechen.
- Augenabstand messen mit Scratch und KI:
- Physikalisch korrekte Vorhersagen schwieriger Zusammenhänge: Der perfekte Basketballwurf ohne Formeln im "Hoops"-Projekt (Arbeitsblatt)
- Schwierig, daher für Tag 2: Schere-Stein-Papier mit dem Computer: KI-Gestenerkennung mit Classifier
KI-Konzepte verstehen, ganz ohne Programmieren:
- Photovoltaik-Ertrags-Vorhersage mit KI im Browser: Hilfreich für den Day-Ahead-Handel des Strompreises
- Daten laden von: https://gitlab.rlp.net/pbotte/demo-analyses/-/tree/master/PV
- Einen Überblick verschaffen, um welche Daten es sich handelt
- und mit den Daten "out_tempdiff_yield.csv" beginnen.
- KI-Modell trainieren: https://machinelearningforkids.co.uk/#!/projects
(Modell erstellen, CSV importieren, Modell Trainieren) - Modell testen.
- Die andere CSV-Datei testen: "out_tempMin_tempMax_yield.csv"
- Warum ist es aus diesem Datensatz schwieriger, eine Vorhersage zu erzeugen? Schafft es Dein Modell trotzdem?
- Daten laden von: https://gitlab.rlp.net/pbotte/demo-analyses/-/tree/master/PV
- Ein Sprachmodell selbst laufen lassen, z.b.
- Ollama: https://ollama.com
- mit OpenWebUI and Ollama:
https://docs.openwebui.com/getting-started/quick-start - VLLM: https://github.com/vllm-project/vllm
- SGlang: https://github.com/sgl-project/sglang