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:
  1. In einer Dimension anpassen mit einem eigenen Netz 
  2. 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:
  • Videoanleitung
  • Zur Projektseite
• 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
  1. 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.
  2. KI-Modell trainieren: https://machinelearningforkids.co.uk/#!/projects 
     (Modell erstellen, CSV importieren, Modell Trainieren)
  3. Modell testen.
  4. 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?
• Ein Sprachmodell selbst laufen lassen, z.b.
  1. Ollama: https://ollama.com
  2. mit OpenWebUI and Ollama:
     https://docs.openwebui.com/getting-started/quick-start
  3. VLLM: https://github.com/vllm-project/vllm
  4. SGlang: https://github.com/sgl-project/sglang
•