Denken wie ein CNN: Conv2D & MaxPool

Unterrichtsidee für den Unterricht
Erprobt im Hector-Unterricht Kurs ‚ML für Mikrocontroller‘ und Inf-AG.

1. Bitmap erstellen
Klicke auf die schwarze Fläche und erstelle ein Bitmap
in Form einer 1D-Liste. Diese kann in die Zwischenablage
kopiert werden.

2. Jupyter-Notebook für Bitmaps aus 1D-Arrays
Aus den obigen Bitmaps mit numpy und OpenCV
einfach Bitmaps erstellen:
https://iludis.de/bitmapMaker/Simple_Bitmaps.ipynb

3. Grayscale-Bitmap im MNIST-Format erstellen.
Erstelle ein 255-Graustufen-Bild mit 28×28 Pixeln,
exportiere dessen Werte per Knopfdruck in die
Zwischenablage und füge sie ins Conv2D-Applet ein:

4. Optimale Convolution-Kernel entwickeln.
Wie in einem CNN: Teste verschiedene Convolution
Kernel aus, berechne ein MaxPooling(2,2) und finde
heraus, welche Pixelmuster man so bestimmen kann.

KI-Algorithmen: Demos in Javascript

1. Linear Regression
(ML-Algorithm using Batch Gradient Descent)

https://iludis.de/LinearRegression/index.html


2. kNN (k-nearest-neighbour)

https://iludis.de/kNNDemo/index.html


3. SVM (Hard-Margin Support Vector Machine)

https://iludis.de/svmDemo/index.html


4. NeuralNet-Dinosaur: Perceptron with SGD

https://iludis.de/Perceptron/index.html


5. k-Means-Clustering

https://iludis.de/kMeansClustering/index.html

6. no-AI, but helper-App:
generate points for export

https://iludis.de/pointgenerator/index.html