Deze lessen en de syllabuszijn ontworpen door studenten David van Batenburg, Bouke Hoekstra, Ömer Eroglu, Jordi Mellema en Midas Scheffers van de Universiteit van Amsterdam.Deze zijn gemaakt tijdens een project in samenwerking met wiskundedocent Boris van Brussel van het Hermann Wesselink College in Amstelveen, en Sharon Calor van de lerarenopleiding van de Universiteit van Amsterdam. Het doel van dit project was om middelbare scholieren (5 VWO wiskunde D) in contact te brengen met de intrigerende wiskunde achter kunstmatige intelligentie, en hen te inspireren om deze wondere wereld te verkennen.Wiskunde speelt namelijk een heel belangrijke rol in kunstmatige intelligentie.
Deze lesmodule bevat een reeks van vier lessen van 90 minuten, inclusief lesplannen, slides en een syllabus met alle theorie en opgaven. Alle slides kunnen worden aangepast aan individuele wensen.
Doelgroep: Lessen 1 en 2 vereisen geen specifieke voorkennis, wel een beetje ervaring met wiskunde en technologie. Deze zijn geschikt voor HAVO en VWO leerlingen die Wiskunde A of Wiskunde B volgen. Lessen 3 en 4 vereisen kennis van afgeleiden en zijn geschikt voor leerlingen die Wiskunde B hebben gevolgd.
Aan het einde van deze lessen kan de leerling:
uitleggen dat er drie paradigma's zijn binnen kunstmatige intelligentie: supervised, unsupervised en reinforcement learning;
de algemene structuur van een neuraal nerwerk herkennen als basis van supervised learning;
begrijpen dat twee algoritmes (feed-forward, en back-propagation) de basis vormen van hoe neurale netwerken werken;
uitleggen hoe het feed-forward algoritme werkt;
matrices vermenigvuldigen (ook met vectoren), in ieder geval kleine matrices van 3 × 3, en uitleggen hoe dit toepasbaar is voor het feed-forward algoritme;
de gradient van een functie in twee variabelen vinden door middel van het nemen van twee partiële afgeleiden;
het gradient descent algoritme toepassen om een minimum van een functie te vinden;
begrijpen wat een kost-functie inhoudt, en kan benoemen in welke context een bepaalde kost-functie geschikt is om te gebruiken;
het back-propagation algoritme toepassen en uitleggen hoe het verfijnen van de parameters resulteert in een lagere foutenpercentage van het neurale netwerk.
Alle materiaal is hier te vinden. In het mapje kunt u de volgende bestanden vinden: vier lesplannen met alle nodige instructies om deze lesmodule in de klas te geven, vier sets slides die gebruikt kunnen worden door de docent tijdens de lessen, en een syllabus met alle theorie, opgaven en uitwerkingen.
Mocht u dit onderwerp interessant vinden en iets wilt organiseren voor uw leerlingen neem dan gerust contact op met editor@networkpages.nl. De afbelingen in dit bericht en in de Syllabus zijn gemaakt door Kanwal Mehreen voor KD Nuggets (eerste plaatje links) en van Geeks for geeks (plaatje rechts).
Bent u enthousiast over dit onderwerp? Misschien is deze workshop interessant voor u of uw collega's!
Tektonische puzzels en het doel van het leven. Wist u dat deze onderwerpen gerelateerd zijn aan Netwerken? Ontdek meer via de twee winnende films van de NETWORKS-challenge!
Er zijn verschillende parameters die bepalen of een video viraal gaat of niet. De inhoud speelt uiteraard een rol, maar wie de video uploadt, is ook belangrijk. Wat hebben netwerken te maken met een video die viraal gaat?
Deze lesmodule over Enigma komt vanuit de wiskunde, maar is in feite een interdisciplinaire les, dat de vakken Wiskunde, Geschiedenis en Duits omvat. Geschikt voor leerlingen Wiskunde A en Wiskunde D.
Deze lesmodule, geschreven voor leerlingen aan het einde van de onderbouw of begin van de bovenbouw HAVO/VWO, behandelt twee stellingen uit de meetkunde: de stelling van Euler voor veelvlakken, en de stelling van Descartes.
