FIDP - Lernfeld 10c
LS 10.6: K-nearest Neighbor (KNN)
| Lernfeld | Bildungsgang | Ausbildungsjahr |
|---|---|---|
| LF 10c:\(\newline\)Werkzeuge des maschinellen Lernens einsetzen | Fachinformatiker für Daten- und Prozessanalyse (FIDP) | 3 |
Kompetenzformulierung
"Die Schülerinnen und Schüler verfügen über die Kompetenz, maschinelles Lernen zur Problemlösung anzuwenden und den Lernfortschritt des Entscheidungssystems zu begleiten".
Die Schülerinnen und Schüler stellen Einsatzmöglichkeiten des maschinellen Lernens dar. Auf dieser Basis entscheiden sie über die betriebswirtschaftlich sinnvolle Eignung maschinellen Lernens bezüglich kundenspezifischer Problemstellungen.
Sie führen die benötigten Daten zusammen. Dazu analysieren sie freie und kommerzielle Datenquellen und wählen diese nach Eignung zur Lösung der Aufgabe durch maschinelles Lernen aus. Die Schülerinnen und Schüler berücksichtigen datenschutzrechtliche, moralische und wirtschaftliche Aspekte.
Sie legen für die Aufgabenstellung maschinellen Lernens adäquate Werkzeuge und Systeme fest.
Sie bereiten das ausgewählte System technisch vor und implementieren die Schnittstellen zum Datenimport.
Die Schülerinnen und Schüler überwachen die technische Funktionsfähigkeit im Hinblick auf den Lernfortschritt des Systems.
Sie reflektieren die Wirksamkeit des angelernten Entscheidungssystems. Dabei diskutieren sie auch datenschutzrechtliche, moralische und wirtschaftliche Aspekte.
| Curricularer Bezug | Titel der Lernsituation (Kurzfassung) | Geplanter Zeitrichtwert |
|---|---|---|
| Rahmenlehrplan für Fachinformatiker für Daten- und Prozessanalyse in der Fassung vom 13.12.2019, S. 27 | LS 10.6: K-nearest Neighbor (KNN) | 8 Unterrichtsstunden |
Handlungssituation
Ein Online Fahrradhändler möchte seinen Kunden stets Fahrräder in der optimale Rahmenhöhe anbieten. Dazu soll eine App inkl. Vorhersagemodell entwickelt werden, so dass der Kunde lediglich ein Foto aufnehmen muss und ihm die optimale Rahmenhöhe empfohlen wird.
Eine Abteilung der ChangeIT GmbH ist bereits damit beauftragt aus einem Bild die Schrittlänge und die Körpergröße (jeweils in cm) zu ermitteln. Sie sollen ein Vorhersagemodell entwickeln, welches dem Kunden die richtige Rahmengröße vorschlägt.
Der Online Fahrradhändler hat bereits Daten in Form von Erfahrungswerten vorliegen und stellt ihnen diese in Form einer CSV Datei zur Verfügung.
Handlungsergebnis
Vorhersagemodell auf der Grundlage von KNN
Vorausgesetzte Fähigkeiten und Kenntnisse
| Handlungskompetenz(Fachkompetenz und Personale Kompetenz) | Inhalte | Sozialform/Methoden | |
|---|---|---|---|
| Informieren bzw. Analysieren | Exploration der Daten | Die Schülerinnen und Schüler visualisieren die zur Verfügung gestellten Daten. | Einzelarbeit |
| Planen / Entscheiden | Erste Ideen für die Entwicklung eines Vorhersagemodells entwickeln | Die Schülerinnen und Schüler entwickeln erste Ideen für die Implementierung eines Vorhersagemodells | Einzelarbeit Plenum |
| Durchführen | KNN Algorithmus anwenden | Die Schülerinnen und Schüler wenden den KNN Algorithmus an und beobachten die Qualität des Vorhersagemodells anhand unterschiedlicher k-Werte Sie nutzen Python Bibliotheken zum Implementieren des Vorhersagemodells | Einzelarbeit Plenum |
| Kontrollieren / Bewerten | Metriken anwenden | Die Schülerinnen und Schüler beurteilen die Qualität ihres Vorhersagemodells indem Sie Metriken berechnen wie Accuracy,Precision, Recall. Sie diskutieren im Klassenverband über die Aussagekraft der Metriken | Einzelarbeit Plenum |
| Reflektieren | Die Schülerinnen und Schüler reflektieren die Unterrichtseinheit durch Beantwortung einiger Fragen zum KNN Algorithmus | Einzelarbeit |
Arbeitsmaterialien / Links
Schulische Entscheidungen
- Die Implementierung des Algorithmus erfolgt in Python unter Zuhilfenahme von Jupyter Notebook
Leistungsnachweise
- Kurzer Test zu Metriken in Klassifizierungsalgorithmen.