Maschinelle Lernmethoden für Klassifizierungsprobleme

Sarah Schönbrodt gibt Einblick in die mathematischen Hintergründe der Support Vector Machine und einer auf der Singulärwertzerlegung basierenden Klassifizierungsmethode. Die Autorin stellt fest, dass sich hinter beiden Methoden elementar-mathematische und anschauliche Konzepte verbergen, die großteils mit Schulmathematik zugänglich sind. Schülerinnen und Schülern wird aufgrund der großen Anwendungsbreite für verschiedene lebensnahe Fragestellungen ein verständlicher Zugang zu Problemlösestrategien des aktuell höchst relevanten maschinellen Lernens gegeben. Perspektiven für die methodisch-didaktische Gestaltung eines Workshops zur mathematischen Modellierung werden aufgezeigt.
Der InhaltKlassifizierung auf Basis maschineller Lernalgorithmen
Mathematische Hintergründe zweier maschineller Lernmethoden
Anwendung zweier maschineller Lernmethoden zur Bildklassifizierung
Maschinelles Lernen inder mathematischen Modellierung mit Schülerinnen und SchülernDie ZielgruppenDozierende und Studierende der Mathematikdidaktik und Mathematik
Angehende Lehrerinnen und Lehrer der Mathematik und InformatikDie AutorinNach erfolgreichem Abschluss ihres Masterstudiums promoviert Sarah Schönbrodt im Bereich der Entwicklung von authentischen Modellierungsaufgaben für Schülerinnen und Schüler an der RWTH Aachen. Sie ist zugleich in der Organisation und Gestaltung des Schülerlabors CAMMP für Mathematische Modellierung tätig.

Nach erfolgreichem Abschluss ihres Masterstudiums promoviert Sarah Schönbrodt im Bereich der Entwicklung von authentischen Modellierungsaufgaben für Schülerinnen und Schüler an der RWTH Aachen. Sie ist zugleich in der Organisation und Gestaltung des Schülerlabors CAMMP für Mathematische Modellierung tätig.