Machine Learning: Unsupervised Methods

Der Kurs nutzt das Inverted Classroom Modell, bei dem sich die Studierenden die Grundlagen selbstständig erarbeiten, während in den Sitzungen das Wissen vertieft und angewandt wird.
Erstellt am 07.01.2019

Eckdaten

Kann Lösungsansätze für folgende Problemstellungen der Lehre bieten:

  • Passivität der Studierenden
  • Begrenzte Möglichkeiten zum individualisierten Lernen

Nutzt folgende Medieneigenschaften zur Unterstützung des Lernprozesses:

Interaktivität: 2 (trifft eher nicht zu)
Adaptivität: 1 (trifft überhaupt nicht zu)
Synchronizität: 1 (trifft überhaupt nicht zu)
Selbststeuerung: 4 (trifft eher zu)

Eignet sich für folgende Virtualisierungsgrade:

  • Integration

Der Kurs ist im Inverted Classroom-Format gestaltet. Das bedeutet, die Studierenden erarbeiten sich die Inhalte der Lehrveranstaltung mit Hilfe der Onlinematerialien selbst. Dies ermöglicht eine aktive, selbstgesteuerte und im eigenen Tempo erfolgende Auseinandersetzung mit den behandelten Themen. Die Präsenzzeit im Seminar kann so zur Vertiefung und Klärung von Fragen genutzt werden.

Das Onlinematerial besteht aus Videoaufzeichnungen von Vorlesungen, Skripten, Übungsblättern und Programmieraufgaben sowie deren Lösungen. Darüber hinaus gibt es ein Forum, um Fragen zu stellen und den weiteren Austausch unter den Studierenden zu ermöglichen.

In der Präsenzzeit im Seminar sollen die Studierenden gemeinsam an den Übungen arbeiten und sowohl diese als auch die selbst erarbeiteten Lehrinhalte diskutieren. Einzelne Sitzungen werden dem Programmieren in Python gewidmet.

Medieneigenschaften zur Unterstützung des Lernprozesses

Interaktivität: 2 (trifft eher nicht zu)

Interaktive Grafik, die die Funktion eines Algorithmus visualisiert.

Adaptivität: 1 (trifft überhaupt nicht zu)

Synchronizität: 1 (trifft überhaupt nicht zu)

Selbststeuerung: 4 (trifft eher zu)

Die Studierenden können sich die Inhalte des Moodle-Kurses an einem selbst gewählten Ort und zu einer selbst gewählten Zeit aneignen. Die Präsenzsitzungen richten sich nach Interessen und aufgekommenen Fragen der Teilnehmer.

Lösungsansätze für Problemstellungen der Lehre

Für die folgenden Problemstellungen kann das Praxisbeispiel Lösungsansätze bieten:

  • Passivität der Studierenden:
    Die Studierenden erarbeiten sich die Lehrinhalte selbst. Anstatt passiv zu konsumieren, arbeiten sie also aktiv an dem Erwerb von neuem Wissen
  • Begrenzte Möglichkeiten zum individualisierten Lernen:
    Bei der Erarbeitung aufgekommene Fragen können im Plenum geklärt werden. Im Kurs kann auf die Interessen der Studierenden Rücksicht genommen und insbesondere die Themen vertieft werden, die sie interessieren

Virtualisierungsgrad

Der Virtualisierungsgrad beschreibt das Verhältnis zwischen Präsenz- und virtuellen Phasen. Das Praxisbeispiel unterstützt die folgenden Virtualisierungsgrade:

  • Integration

Ressourcen

Soft- und Hardware

  • moodle

Weitere Informationen zum Praxisbeispiel

Kontakt

Sie möchten mehr über das Praxisbeispiel erfahren? Hier können Sie Kontakt zu den Autorinnen und Autoren aufnehmen:

Prof. Dr. Laurenz Wiskott
Ruhr-Universität Bochum
Universitätsstraße 150
D- 44801 Bochum
Mail: laurenz.wiskott[at]ini.rub.de

PDF erstellen

Kommentare (0)

Barrierefreiheit Direkt zum Inhalt Übersicht Erweiterte Suche Direkt zur Navigation Kontakt