Ideen für den Einsatz von Sprachmodellen wie z.B. der
GPT-4, LlamaV2 oder Mistral im Schulunterricht.
Hector-Seminar: MFCCs
Die Dateien aus dem Unterricht für die Audio-
Spracherkennung mit Neuronalen Netzen:
MFCC-Jupyternotebooks
GPT_Vortrag_SmartCityDays
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.
Autoencoder mit MNIST 14×14
Autoencoder-Downloaddateien
Neural Net with Backpropagation
Some Simple Neural Nets with Gradient Descent Algorithm
Tutorial for „IntroductionOverview_NeuralNets_5Sept22
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
