Search (273 results, page 1 of 14)

  • × type_ss:"el"
  1. Kleineberg, M.: Context analysis and context indexing : formal pragmatics in knowledge organization (2014) 0.17
    0.17027095 = product of:
      0.3405419 = sum of:
        0.06810838 = product of:
          0.27243352 = sum of:
            0.27243352 = weight(_text_:3a in 1826) [ClassicSimilarity], result of:
              0.27243352 = score(doc=1826,freq=2.0), product of:
                0.29084495 = queryWeight, product of:
                  8.478011 = idf(docFreq=24, maxDocs=44218)
                  0.0343058 = queryNorm
                0.93669677 = fieldWeight in 1826, product of:
                  1.4142135 = tf(freq=2.0), with freq of:
                    2.0 = termFreq=2.0
                  8.478011 = idf(docFreq=24, maxDocs=44218)
                  0.078125 = fieldNorm(doc=1826)
          0.25 = coord(1/4)
        0.27243352 = weight(_text_:2f in 1826) [ClassicSimilarity], result of:
          0.27243352 = score(doc=1826,freq=2.0), product of:
            0.29084495 = queryWeight, product of:
              8.478011 = idf(docFreq=24, maxDocs=44218)
              0.0343058 = queryNorm
            0.93669677 = fieldWeight in 1826, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              8.478011 = idf(docFreq=24, maxDocs=44218)
              0.078125 = fieldNorm(doc=1826)
      0.5 = coord(2/4)
    
    Source
    http://www.google.de/url?sa=t&rct=j&q=&esrc=s&source=web&cd=5&ved=0CDQQFjAE&url=http%3A%2F%2Fdigbib.ubka.uni-karlsruhe.de%2Fvolltexte%2Fdocuments%2F3131107&ei=HzFWVYvGMsiNsgGTyoFI&usg=AFQjCNE2FHUeR9oQTQlNC4TPedv4Mo3DaQ&sig2=Rlzpr7a3BLZZkqZCXXN_IA&bvm=bv.93564037,d.bGg&cad=rja
  2. Popper, K.R.: Three worlds : the Tanner lecture on human values. Deliverd at the University of Michigan, April 7, 1978 (1978) 0.14
    0.13621676 = product of:
      0.27243352 = sum of:
        0.054486703 = product of:
          0.21794681 = sum of:
            0.21794681 = weight(_text_:3a in 230) [ClassicSimilarity], result of:
              0.21794681 = score(doc=230,freq=2.0), product of:
                0.29084495 = queryWeight, product of:
                  8.478011 = idf(docFreq=24, maxDocs=44218)
                  0.0343058 = queryNorm
                0.7493574 = fieldWeight in 230, product of:
                  1.4142135 = tf(freq=2.0), with freq of:
                    2.0 = termFreq=2.0
                  8.478011 = idf(docFreq=24, maxDocs=44218)
                  0.0625 = fieldNorm(doc=230)
          0.25 = coord(1/4)
        0.21794681 = weight(_text_:2f in 230) [ClassicSimilarity], result of:
          0.21794681 = score(doc=230,freq=2.0), product of:
            0.29084495 = queryWeight, product of:
              8.478011 = idf(docFreq=24, maxDocs=44218)
              0.0343058 = queryNorm
            0.7493574 = fieldWeight in 230, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              8.478011 = idf(docFreq=24, maxDocs=44218)
              0.0625 = fieldNorm(doc=230)
      0.5 = coord(2/4)
    
    Source
    https%3A%2F%2Ftannerlectures.utah.edu%2F_documents%2Fa-to-z%2Fp%2Fpopper80.pdf&usg=AOvVaw3f4QRTEH-OEBmoYr2J_c7H
  3. Shala, E.: ¬Die Autonomie des Menschen und der Maschine : gegenwärtige Definitionen von Autonomie zwischen philosophischem Hintergrund und technologischer Umsetzbarkeit (2014) 0.09
    0.085135475 = product of:
      0.17027095 = sum of:
        0.03405419 = product of:
          0.13621676 = sum of:
            0.13621676 = weight(_text_:3a in 4388) [ClassicSimilarity], result of:
              0.13621676 = score(doc=4388,freq=2.0), product of:
                0.29084495 = queryWeight, product of:
                  8.478011 = idf(docFreq=24, maxDocs=44218)
                  0.0343058 = queryNorm
                0.46834838 = fieldWeight in 4388, product of:
                  1.4142135 = tf(freq=2.0), with freq of:
                    2.0 = termFreq=2.0
                  8.478011 = idf(docFreq=24, maxDocs=44218)
                  0.0390625 = fieldNorm(doc=4388)
          0.25 = coord(1/4)
        0.13621676 = weight(_text_:2f in 4388) [ClassicSimilarity], result of:
          0.13621676 = score(doc=4388,freq=2.0), product of:
            0.29084495 = queryWeight, product of:
              8.478011 = idf(docFreq=24, maxDocs=44218)
              0.0343058 = queryNorm
            0.46834838 = fieldWeight in 4388, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              8.478011 = idf(docFreq=24, maxDocs=44218)
              0.0390625 = fieldNorm(doc=4388)
      0.5 = coord(2/4)
    
    Footnote
    Vgl. unter: https://www.google.de/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=2ahUKEwizweHljdbcAhVS16QKHXcFD9QQFjABegQICRAB&url=https%3A%2F%2Fwww.researchgate.net%2Fpublication%2F271200105_Die_Autonomie_des_Menschen_und_der_Maschine_-_gegenwartige_Definitionen_von_Autonomie_zwischen_philosophischem_Hintergrund_und_technologischer_Umsetzbarkeit_Redigierte_Version_der_Magisterarbeit_Karls&usg=AOvVaw06orrdJmFF2xbCCp_hL26q.
  4. Becker, R.: Machine / Deep Learning : wie lernen künstliche neuronale Netze? (2017) 0.06
    0.06135159 = product of:
      0.12270318 = sum of:
        0.029567504 = product of:
          0.11827002 = sum of:
            0.11827002 = weight(_text_:learning in 4109) [ClassicSimilarity], result of:
              0.11827002 = score(doc=4109,freq=10.0), product of:
                0.15317118 = queryWeight, product of:
                  4.464877 = idf(docFreq=1382, maxDocs=44218)
                  0.0343058 = queryNorm
                0.77214277 = fieldWeight in 4109, product of:
                  3.1622777 = tf(freq=10.0), with freq of:
                    10.0 = termFreq=10.0
                  4.464877 = idf(docFreq=1382, maxDocs=44218)
                  0.0546875 = fieldNorm(doc=4109)
          0.25 = coord(1/4)
        0.09313568 = product of:
          0.18627135 = sum of:
            0.18627135 = weight(_text_:lernen in 4109) [ClassicSimilarity], result of:
              0.18627135 = score(doc=4109,freq=10.0), product of:
                0.19222628 = queryWeight, product of:
                  5.6033173 = idf(docFreq=442, maxDocs=44218)
                  0.0343058 = queryNorm
                0.96902126 = fieldWeight in 4109, product of:
                  3.1622777 = tf(freq=10.0), with freq of:
                    10.0 = termFreq=10.0
                  5.6033173 = idf(docFreq=442, maxDocs=44218)
                  0.0546875 = fieldNorm(doc=4109)
          0.5 = coord(1/2)
      0.5 = coord(2/4)
    
    Abstract
    Ein wichtiges Merkmal von Systemen mit künstlicher Intelligenz ist die Fähigkeit, selbständig zu lernen. Anders als bei klassischer Software, die Probleme und Fragen auf Basis von vorher festgelegten Regeln abarbeitet, können selbstlernende Machine Learning Algorithmen die besten Regeln für die Lösung bestimmter Aufgaben selber lernen. In diesem Artikel wird am Beispiel von künstlichen neuronalen Netzen erklärt, was "lernen" in diesem Zusammenhang heißt, und wie es funktioniert. Ein künstliches neuronales Netz besteht aus vielen einzelnen Neuronen, die meistens in mehreren miteinander verbundenen Schichten (Layern) angeordnet sind. Die Zahl der Layer bestimmt unter anderem den Grad der Komplexität, den ein künstliches neuronales Netz abbilden kann. Viele Layer machen ein neuronales Netz "tief" - daher spricht man in diesem Zusammenhang auch vom Deep Learning als einer Unterkategorie des Machine Learning (Maschinenlernen bzw. maschinelles lernen).
    Source
    https://jaai.de/machine-deep-learning-529/
  5. Laßmann, G.: Asimovs Robotergesetze : was leisten sie wirklich? (2017) 0.06
    0.05841681 = product of:
      0.11683362 = sum of:
        0.009444992 = product of:
          0.03777997 = sum of:
            0.03777997 = weight(_text_:learning in 4067) [ClassicSimilarity], result of:
              0.03777997 = score(doc=4067,freq=2.0), product of:
                0.15317118 = queryWeight, product of:
                  4.464877 = idf(docFreq=1382, maxDocs=44218)
                  0.0343058 = queryNorm
                0.24665193 = fieldWeight in 4067, product of:
                  1.4142135 = tf(freq=2.0), with freq of:
                    2.0 = termFreq=2.0
                  4.464877 = idf(docFreq=1382, maxDocs=44218)
                  0.0390625 = fieldNorm(doc=4067)
          0.25 = coord(1/4)
        0.10738863 = sum of:
          0.08414882 = weight(_text_:lernen in 4067) [ClassicSimilarity], result of:
            0.08414882 = score(doc=4067,freq=4.0), product of:
              0.19222628 = queryWeight, product of:
                5.6033173 = idf(docFreq=442, maxDocs=44218)
                0.0343058 = queryNorm
              0.43775916 = fieldWeight in 4067, product of:
                2.0 = tf(freq=4.0), with freq of:
                  4.0 = termFreq=4.0
                5.6033173 = idf(docFreq=442, maxDocs=44218)
                0.0390625 = fieldNorm(doc=4067)
          0.023239812 = weight(_text_:22 in 4067) [ClassicSimilarity], result of:
            0.023239812 = score(doc=4067,freq=2.0), product of:
              0.120133065 = queryWeight, product of:
                3.5018296 = idf(docFreq=3622, maxDocs=44218)
                0.0343058 = queryNorm
              0.19345059 = fieldWeight in 4067, product of:
                1.4142135 = tf(freq=2.0), with freq of:
                  2.0 = termFreq=2.0
                3.5018296 = idf(docFreq=3622, maxDocs=44218)
                0.0390625 = fieldNorm(doc=4067)
      0.5 = coord(2/4)
    
    Abstract
    In Simulationen treten bei Robotern innere Zustände immer dann auf, wenn Katastrophen wie der eigene Totalausfall drohen. Die bekannten Robotergesetze von Isaac Asimov sind schon mehr als 75 Jahre alt. Systematisch untersucht wurden sie bislang nicht, obgleich durch die technische Entwicklung in der Computertechnik das Erstellen von Regeln für Roboter immer drängender wird: Autonome Fahrzeug fahren auf unseren Straßen, das EU-Parlament diskutiert Roboterrechte und nicht nur der Deutsche Ethikrat befasst sich mit Pflegerobotern. Gunter Laßmann hat in seinem eBook Asimovs Robotergesetze philosophisch und technisch untersucht: Asimovs Robotergesetze. Was leisten sie wirklich?" Er erörtert, was ein Roboter ist und wie ein solcher Roboter nach dem heutigen Stand der Technik "denken" würde. Diskutiert wird, inwieweit Roboter individuell sein könnten und wer die Verantwortung für den Roboter trägt. Alle drei Robotergesetze werden erstmals simuliert, was teilweise zu unerwarteten Ergebnissen führt. Die Roboter werden durch Hinzunahme von Lernen weiterentwickelt, es werden die Unterschiede zwischen regelbasiertem Lernen und Deep Learning dargestellt und am aktuellen Beispiel erläutert.
    Date
    21. 1.2018 19:02:22
  6. Lernen neu denken : Das Hagener Manifest zu New Learning (2020) 0.06
    0.05515775 = product of:
      0.1103155 = sum of:
        0.0151119875 = product of:
          0.06044795 = sum of:
            0.06044795 = weight(_text_:learning in 29) [ClassicSimilarity], result of:
              0.06044795 = score(doc=29,freq=2.0), product of:
                0.15317118 = queryWeight, product of:
                  4.464877 = idf(docFreq=1382, maxDocs=44218)
                  0.0343058 = queryNorm
                0.3946431 = fieldWeight in 29, product of:
                  1.4142135 = tf(freq=2.0), with freq of:
                    2.0 = termFreq=2.0
                  4.464877 = idf(docFreq=1382, maxDocs=44218)
                  0.0625 = fieldNorm(doc=29)
          0.25 = coord(1/4)
        0.09520351 = product of:
          0.19040702 = sum of:
            0.19040702 = weight(_text_:lernen in 29) [ClassicSimilarity], result of:
              0.19040702 = score(doc=29,freq=8.0), product of:
                0.19222628 = queryWeight, product of:
                  5.6033173 = idf(docFreq=442, maxDocs=44218)
                  0.0343058 = queryNorm
                0.9905359 = fieldWeight in 29, product of:
                  2.828427 = tf(freq=8.0), with freq of:
                    8.0 = termFreq=8.0
                  5.6033173 = idf(docFreq=442, maxDocs=44218)
                  0.0625 = fieldNorm(doc=29)
          0.5 = coord(1/2)
      0.5 = coord(2/4)
    
    Abstract
    Der digitale Wandel transformiert Gesellschaft und Arbeitswelt tiefgreifend. Im Bildungssystem, in der Bildungspolitik und in der Gesellschaft fehlt jedoch ein angemessenes Verständnis dafür, wie die Digitalisierung auch das Lernen von Grund auf verändert hat - und weiter verändern wird. Schon seit Jahren fordern Bildungsexpert*innen: Unsere Vorstellung vom Lernen, unser Lernbegriff muss sich wandeln. Wir halten es deshalb für überfällig, ein grundlegend neues Verständnis vom Lernen zu entwickeln.
  7. Rötzer, F.: Psychologen für die Künstliche Intelligenz (2018) 0.04
    0.04295545 = product of:
      0.1718218 = sum of:
        0.1718218 = sum of:
          0.1346381 = weight(_text_:lernen in 4427) [ClassicSimilarity], result of:
            0.1346381 = score(doc=4427,freq=4.0), product of:
              0.19222628 = queryWeight, product of:
                5.6033173 = idf(docFreq=442, maxDocs=44218)
                0.0343058 = queryNorm
              0.70041466 = fieldWeight in 4427, product of:
                2.0 = tf(freq=4.0), with freq of:
                  4.0 = termFreq=4.0
                5.6033173 = idf(docFreq=442, maxDocs=44218)
                0.0625 = fieldNorm(doc=4427)
          0.0371837 = weight(_text_:22 in 4427) [ClassicSimilarity], result of:
            0.0371837 = score(doc=4427,freq=2.0), product of:
              0.120133065 = queryWeight, product of:
                3.5018296 = idf(docFreq=3622, maxDocs=44218)
                0.0343058 = queryNorm
              0.30952093 = fieldWeight in 4427, product of:
                1.4142135 = tf(freq=2.0), with freq of:
                  2.0 = termFreq=2.0
                3.5018296 = idf(docFreq=3622, maxDocs=44218)
                0.0625 = fieldNorm(doc=4427)
      0.25 = coord(1/4)
    
    Abstract
    Künstliche Intelligenz kann lernen anhand von Erfahrungen und Vorgaben. Das Problem ist aber, dass sich maschinelles Lernen zwar in eine bestimmte Richtung steuern lässt, um bestimmte Probleme zu lösen, dass aber der Programmierer mitunter nicht mehr weiß, was in dem "künstlichen Gehirn" bzw. dem neuronalen Netzwerk vor sich geht, das mit zunehmender Komplexität und Lernerfahrung für den Menschen zur Black Box wird, wo man nur sehen kann, was an Daten einfließt und was herauskommt.
    Date
    22. 1.2018 11:08:27
  8. Schaat, S.: Von der automatisierten Manipulation zur Manipulation der Automatisierung (2019) 0.03
    0.0330968 = product of:
      0.1323872 = sum of:
        0.1323872 = sum of:
          0.09520351 = weight(_text_:lernen in 4996) [ClassicSimilarity], result of:
            0.09520351 = score(doc=4996,freq=2.0), product of:
              0.19222628 = queryWeight, product of:
                5.6033173 = idf(docFreq=442, maxDocs=44218)
                0.0343058 = queryNorm
              0.49526796 = fieldWeight in 4996, product of:
                1.4142135 = tf(freq=2.0), with freq of:
                  2.0 = termFreq=2.0
                5.6033173 = idf(docFreq=442, maxDocs=44218)
                0.0625 = fieldNorm(doc=4996)
          0.0371837 = weight(_text_:22 in 4996) [ClassicSimilarity], result of:
            0.0371837 = score(doc=4996,freq=2.0), product of:
              0.120133065 = queryWeight, product of:
                3.5018296 = idf(docFreq=3622, maxDocs=44218)
                0.0343058 = queryNorm
              0.30952093 = fieldWeight in 4996, product of:
                1.4142135 = tf(freq=2.0), with freq of:
                  2.0 = termFreq=2.0
                3.5018296 = idf(docFreq=3622, maxDocs=44218)
                0.0625 = fieldNorm(doc=4996)
      0.25 = coord(1/4)
    
    Content
    "Wir kennen das bereits von Google, Facebook und Amazon: Unser Internet-Verhalten wird automatisch erfasst, damit uns angepasste Inhalte präsentiert werden können. Ob uns diese Inhalte gefallen oder nicht, melden wir direkt oder indirekt zurück (Kauf, Klick etc.). Durch diese Feedbackschleife lernen solche Systeme immer besser, was sie uns präsentieren müssen, um unsere Bedürfnisse anzusprechen, und wissen implizit dadurch auch immer besser, wie sie unsere Bedürfniserfüllung - zur Konsumtion - manipulieren können."
    Date
    19. 2.2019 17:22:00
  9. Matt, A.; Schaber, E.; Violet, B.: Vielfältige Formate und dynamische Umsetzung : Mathematik-Kommunikation zu Künstlicher Intelligenz bei IMAGINARY (2023) 0.03
    0.027437264 = product of:
      0.05487453 = sum of:
        0.013222989 = product of:
          0.052891955 = sum of:
            0.052891955 = weight(_text_:learning in 891) [ClassicSimilarity], result of:
              0.052891955 = score(doc=891,freq=2.0), product of:
                0.15317118 = queryWeight, product of:
                  4.464877 = idf(docFreq=1382, maxDocs=44218)
                  0.0343058 = queryNorm
                0.3453127 = fieldWeight in 891, product of:
                  1.4142135 = tf(freq=2.0), with freq of:
                    2.0 = termFreq=2.0
                  4.464877 = idf(docFreq=1382, maxDocs=44218)
                  0.0546875 = fieldNorm(doc=891)
          0.25 = coord(1/4)
        0.04165154 = product of:
          0.08330308 = sum of:
            0.08330308 = weight(_text_:lernen in 891) [ClassicSimilarity], result of:
              0.08330308 = score(doc=891,freq=2.0), product of:
                0.19222628 = queryWeight, product of:
                  5.6033173 = idf(docFreq=442, maxDocs=44218)
                  0.0343058 = queryNorm
                0.43335947 = fieldWeight in 891, product of:
                  1.4142135 = tf(freq=2.0), with freq of:
                    2.0 = termFreq=2.0
                  5.6033173 = idf(docFreq=442, maxDocs=44218)
                  0.0546875 = fieldNorm(doc=891)
          0.5 = coord(1/2)
      0.5 = coord(2/4)
    
    Abstract
    IMAGINARY verfügt über eine große Spannbreite und eine Vielzahl an Ressourcen im Bereich der Mathematik- und Wissenschaftskommunikation. In diesem Artikel werden Formate zum Thema Künstliche Intelligenz (KI) für Zielgruppen mit unterschiedlichem Vor- und Fachwissen vorgestellt. Zwei grundlegende Themen, die eine wichtige Rolle im Maschinellen Lernen bilden, stehen dabei im Vordergrund: Neuronale Netze und Reinforcement Learning. IMAGINARY vermittelt diese beiden Schwerpunkte auf vielfältige Weise. Dieser Beitrag stellt einige der verwendeten Formate vor: Von interaktiven Exponaten in der Ausstellung "I AM A.I." zu "Explorables" in digitalen Programmen, über Online-Kurse auf Lernplattformen bis hin zu Workshops für Schüler*innen oder Mathematiklehrkräfte.
  10. Vogt, T.: ¬Die Transformation des renommierten Informationsservices zbMATH zu einer Open Access-Plattform für die Mathematik steht vor dem Abschluss. (2020) 0.02
    0.024025789 = product of:
      0.096103154 = sum of:
        0.096103154 = product of:
          0.28830945 = sum of:
            0.28830945 = weight(_text_:c3 in 31) [ClassicSimilarity], result of:
              0.28830945 = score(doc=31,freq=2.0), product of:
                0.3345151 = queryWeight, product of:
                  9.7509775 = idf(docFreq=6, maxDocs=44218)
                  0.0343058 = queryNorm
                0.8618728 = fieldWeight in 31, product of:
                  1.4142135 = tf(freq=2.0), with freq of:
                    2.0 = termFreq=2.0
                  9.7509775 = idf(docFreq=6, maxDocs=44218)
                  0.0625 = fieldNorm(doc=31)
          0.33333334 = coord(1/3)
      0.25 = coord(1/4)
    
    Content
    "Mit Beginn des Jahres 2021 wird der umfassende internationale Informationsservice zbMATH in eine Open Access-Plattform überführt. Dann steht dieser bislang kostenpflichtige Dienst weltweit allen Interessierten kostenfrei zur Verfügung. Die Änderung des Geschäftsmodells ermöglicht, die meisten Informationen und Daten von zbMATH für Forschungszwecke und zur Verknüpfung mit anderen nicht-kommerziellen Diensten frei zu nutzen, siehe: https://www.mathematik.de/dmv-blog/2772-transformation-von-zbmath-zu-einer-open-access-plattform-f%C3%BCr-die-mathematik-kurz-vor-dem-abschluss."
  11. Bundesregierung: Digitale Bildung voranbringen (2016) 0.02
    0.022102613 = product of:
      0.08841045 = sum of:
        0.08841045 = sum of:
          0.072142586 = weight(_text_:lernen in 3451) [ClassicSimilarity], result of:
            0.072142586 = score(doc=3451,freq=6.0), product of:
              0.19222628 = queryWeight, product of:
                5.6033173 = idf(docFreq=442, maxDocs=44218)
                0.0343058 = queryNorm
              0.37530032 = fieldWeight in 3451, product of:
                2.4494898 = tf(freq=6.0), with freq of:
                  6.0 = termFreq=6.0
                5.6033173 = idf(docFreq=442, maxDocs=44218)
                0.02734375 = fieldNorm(doc=3451)
          0.016267868 = weight(_text_:22 in 3451) [ClassicSimilarity], result of:
            0.016267868 = score(doc=3451,freq=2.0), product of:
              0.120133065 = queryWeight, product of:
                3.5018296 = idf(docFreq=3622, maxDocs=44218)
                0.0343058 = queryNorm
              0.1354154 = fieldWeight in 3451, product of:
                1.4142135 = tf(freq=2.0), with freq of:
                  2.0 = termFreq=2.0
                3.5018296 = idf(docFreq=3622, maxDocs=44218)
                0.02734375 = fieldNorm(doc=3451)
      0.25 = coord(1/4)
    
    Abstract
    Webseite zum Nationalen IT-Bildungsgipfel am 16./17.11.2016 in Saarbrücken: ""Lernen und Handeln in der digitalen Welt prägen unseren Alltag", so Bundeskanzlerin Merkel auf dem IT-Gipfel in Saarbrücken. Deshalb müsse digitale Bildung auch allen zugänglich sein. Sie appellierte an Schüler und Lehrer, neuen Entwicklungen offen und neugierig gegenüber zu stehen."
    Content
    Tablets und soziale Netzwerke verwenden zu können, heißt noch lange nicht, den digitalen Wandel zu meistern. Vollständig digital kompetent ist und bleibt auf lange Sicht nur, wer die theoretischen Grundlagen versteht. Diese Grundlagen entstehen nicht als Nebeneffekt beim Lernen mit digitalen Medien, sondern müssen separat und fokussiert im Unterricht vermittelt werden. Digitale Medien können und sollten hierzu nur ergänzend eingesetzt werden. Nach Erfahrung der überwältigenden Mehrheit der Mathematikerinnen und Mathematiker weltweit sind Tafel, Papier und das direkte Unterrichtsgespräch meist viel besser geeignet. Auch dürfen diese Grundlagen nicht allein Hochbegabten oder digital Affinen vorbehalten bleiben, sondern müssen Teil der Allgemeinbildung werden. Ohne die vorherige Vermittlung dieser Grundlagen ist die Belieferung von Bildungseinrichtungen mit Soft- und Hardware hingegen eine Scheinlösung. Bleiben die richtigen Lerninhalte aus, hemmt sie sogar den Anstieg der Digitalisierungskompetenz in Deutschland. Stattdessen wird die Lernzeit der Lernenden überfrachtet, und oberflächlich sinnvolle Inhalte verdrängen den Erwerb von Grundlagen.
    Wir halten es daher für fehlgeleitet, an erster Stelle in digitale Medien zu investieren. Reduziert man Digitalisierungskompetenz auf den Umgang mit digitalen Medien, so glaubt man irrig, Digitalisierungskompetenz entstehe erschöpfend im Lernen mithilfe digitaler Medien. Das Gegenteil ist aber richtig: Erst die auf Grundlagen sorgfältig aufbauende Digitalkompetenz kann das enorme Potenzial moderner Hard- und Software voll nutzen! Digitale Medien sollten nicht um ihrer selbst willen und auf Kosten der Zukunft Lernender gefördert werden. Wir fordern über die föderalen Hemmnisse hinweg, die allgemeinen Rahmenbedingungen für die Bildung zu verbessern. Wir fordern den Unterricht in den Fächern Mathematik und Informatik zu stärken und nicht weiter auszudünnen, damit hier die grundlegende und langfristige Digitalisierungskompetenz vermittelt werden kann. Wir fordern, die Lehrerbildung in diesen Bereichen substanziell zu verbessern. Wir fordern, analytisches Denken gezielt zu lehren und diesem Anliegen Priorität zu geben." (https://dmv.mathematik.de/index.php/aktuell-presse/presseinformationen)
    Date
    22. 2.2017 17:14:47
  12. Macedonia, M.: Mit Händen und Füßen (2012) 0.02
    0.021037204 = product of:
      0.08414882 = sum of:
        0.08414882 = product of:
          0.16829763 = sum of:
            0.16829763 = weight(_text_:lernen in 5168) [ClassicSimilarity], result of:
              0.16829763 = score(doc=5168,freq=4.0), product of:
                0.19222628 = queryWeight, product of:
                  5.6033173 = idf(docFreq=442, maxDocs=44218)
                  0.0343058 = queryNorm
                0.8755183 = fieldWeight in 5168, product of:
                  2.0 = tf(freq=4.0), with freq of:
                    4.0 = termFreq=4.0
                  5.6033173 = idf(docFreq=442, maxDocs=44218)
                  0.078125 = fieldNorm(doc=5168)
          0.5 = coord(1/2)
      0.25 = coord(1/4)
    
    Abstract
    Eine Fremdsprache zu lernen ist mühsam - etwa wenn es gilt, lange Vokabellisten im Gedächtnis zu behalten. Es geht aber auch anders: Laut Forschern lässt sich durch den Einsatz von Gesten die Lernleistung erheblich steigern.
    Series
    Lernen
  13. Munkelt, J.; Schaer, P.: Towards an IR test collection for the German National Library (2018) 0.02
    0.02082577 = product of:
      0.08330308 = sum of:
        0.08330308 = product of:
          0.16660616 = sum of:
            0.16660616 = weight(_text_:lernen in 5780) [ClassicSimilarity], result of:
              0.16660616 = score(doc=5780,freq=2.0), product of:
                0.19222628 = queryWeight, product of:
                  5.6033173 = idf(docFreq=442, maxDocs=44218)
                  0.0343058 = queryNorm
                0.86671895 = fieldWeight in 5780, product of:
                  1.4142135 = tf(freq=2.0), with freq of:
                    2.0 = termFreq=2.0
                  5.6033173 = idf(docFreq=442, maxDocs=44218)
                  0.109375 = fieldNorm(doc=5780)
          0.5 = coord(1/2)
      0.25 = coord(1/4)
    
    Footnote
    Vortrag, Conference: Lernen Wissen Daten Analysen 2018 at Mannheim.
  14. Scherer, B.: ¬Die Pandemie ist kein Überfall von Außerirdischen (2020) 0.01
    0.01487555 = product of:
      0.0595022 = sum of:
        0.0595022 = product of:
          0.1190044 = sum of:
            0.1190044 = weight(_text_:lernen in 5706) [ClassicSimilarity], result of:
              0.1190044 = score(doc=5706,freq=2.0), product of:
                0.19222628 = queryWeight, product of:
                  5.6033173 = idf(docFreq=442, maxDocs=44218)
                  0.0343058 = queryNorm
                0.61908495 = fieldWeight in 5706, product of:
                  1.4142135 = tf(freq=2.0), with freq of:
                    2.0 = termFreq=2.0
                  5.6033173 = idf(docFreq=442, maxDocs=44218)
                  0.078125 = fieldNorm(doc=5706)
          0.5 = coord(1/2)
      0.25 = coord(1/4)
    
    Abstract
    Die weltweite Verbreitung von Covid-19 führt uns die Konsequenzen unserer Lebensweise vor Augen. Im Virus begegnen wir unserem Selbst und unserer Beziehung zur Natur. Aus den Fehlern sollten wir lernen.
  15. Pany, T.: "Desinformation" : Soll es die Schule richten? (2020) 0.01
    0.01487555 = product of:
      0.0595022 = sum of:
        0.0595022 = product of:
          0.1190044 = sum of:
            0.1190044 = weight(_text_:lernen in 57) [ClassicSimilarity], result of:
              0.1190044 = score(doc=57,freq=2.0), product of:
                0.19222628 = queryWeight, product of:
                  5.6033173 = idf(docFreq=442, maxDocs=44218)
                  0.0343058 = queryNorm
                0.61908495 = fieldWeight in 57, product of:
                  1.4142135 = tf(freq=2.0), with freq of:
                    2.0 = termFreq=2.0
                  5.6033173 = idf(docFreq=442, maxDocs=44218)
                  0.078125 = fieldNorm(doc=57)
          0.5 = coord(1/2)
      0.25 = coord(1/4)
    
    Abstract
    Jugendliche sind laut einer Studie mehrheitlich dafür, dass das Thema verpflichtend in den Lehrplan aufgenommen wird. Reicht "Denken lernen" nicht?
  16. Wolfangel, E.: ¬Die Grenzen der künstlichen Intelligenz (2016) 0.01
    0.013774952 = product of:
      0.055099808 = sum of:
        0.055099808 = product of:
          0.110199615 = sum of:
            0.110199615 = weight(_text_:lernen in 4107) [ClassicSimilarity], result of:
              0.110199615 = score(doc=4107,freq=14.0), product of:
                0.19222628 = queryWeight, product of:
                  5.6033173 = idf(docFreq=442, maxDocs=44218)
                  0.0343058 = queryNorm
                0.5732807 = fieldWeight in 4107, product of:
                  3.7416575 = tf(freq=14.0), with freq of:
                    14.0 = termFreq=14.0
                  5.6033173 = idf(docFreq=442, maxDocs=44218)
                  0.02734375 = fieldNorm(doc=4107)
          0.5 = coord(1/2)
      0.25 = coord(1/4)
    
    Content
    "Wie lernen Maschinen überhaupt? Eine zentrale Unterscheidung betrifft die Art des Lernens: Algorithmen können überwacht oder unüberwacht lernen. Ersteres wird unter anderem für Klassifikationsaufgaben genutzt: Ist beispielsweise ein Mensch auf einem Foto oder nicht? Grundlage dafür sind Trainingsdaten, anhand derer der Algorithmus auf Vorgabe eines Menschen lernt, was das richtige Ergebnis ist - auf diesen 1000 Bildern ist ein Mensch, auf diesen 1000 nicht. Hat das System für alle eventuell vorkommenden Fälle genügend Trainingsdaten, so die Idee, lernt es daraus selbst, bislang unbekannte Bilder zu klassifizieren. Alphago lernte beispielsweise unter anderem anhand von Millionen menschlicher Go-Spielzüge.
    Auch überwachtes Lernen ist kaum zu kontrollieren Dabei führt der Begriff überwachtes Lernen in die Irre: Dieses Lernen ist weit weniger zu kontrollieren, als der Begriff suggeriert. Der Algorithmus entscheidet schließlich auf eigene Faust, welche Kriterien wichtig sind für die Unterscheidung. "Deshalb ist es zentral, dass der Trainingsdatensatz repräsentativ ist für die Art von Daten, die man vorhersagen will", sagt Fred Hamprecht, Professor für Bildverarbeitung an der Universität Heidelberg. Das kann allerdings kniffelig sein. So kursiert in Forscherkreisen das Beispiel eines Systems, das darauf trainiert wurde, Panzer auf Bildern zu erkennen. Der Trainingsdatensatz bestand aus Werbebildern der Herstellerfirmen von Panzern und beliebigen anderen Bildern, auf denen kein Panzer zu sehen war. Aber das System funktionierte in der Anwendung nicht - es erkannte Panzer nicht, sondern filterte stattdessen Bilder heraus, auf denen die Sonne schien. Das Problem war schnell erkannt: Auf den Werbebildern hatte ebenfalls stets die Sonne geschienen. Das Netz hatte das als Kriterium angenommen. "Falls das Beispiel nicht wahr ist, ist es zumindest schön erfunden", sagt Hamprecht. Aber nicht alle Fehler sind so einfach zu finden. "Die Frage ist immer, woher die Daten kommen", sagt Hamprecht. Ein Sensor beispielsweise altert oder verschmutzt, Bilder werden eventuell mit der Zeit dunkler. Wer kein falsches Ergebnis haben möchte, muss diese "Datenalterung" mit einrechnen - und sich ihrer dafür erstmal bewusst sein. Auch ein falsches Ergebnis wird nicht unbedingt so einfach entdeckt: Schließlich entscheiden Algorithmen nicht nur über für Menschen offensichtlich zu erkennende Dinge wie die, ob auf einem Bild ein Panzer ist.
    Neuronale Netze lernen aus Erfahrungen Angesichts immer größerer Computer und wachsender Masse an Trainingsdaten gewinnen bei der Bilderkennung so genannte neuronale Netze immer mehr an Bedeutung. "Sie sind heute die leistungsfähigsten Mustererkennungsverfahren", sagt Hamprecht. Dabei wird die Funktionsweise des menschlichen Gehirns lose nachgeahmt: Die Netze bestehen aus mehreren Lagen mit einer festzulegenden Anzahl an Neuronen, deren Verbindungen sich verstärken oder abschwächen abhängig von den "Erfahrungen", die sie machen. Solche Erfahrungen sind beispielsweise die Trainingsdaten aus dem überwachten Lernen und das Feedback, ob zu einem Trainingsdatum die richtige oder falsche Vorhersage gemacht wurde. Dank der vielen Übungsdaten lassen sich heute sehr viel größere und tiefere Netze trainieren als noch vor einigen Jahren. Während früher ein berühmter Computer-Vision-Datensatz aus 256 Bildern und sein Nachfolger aus 1000 Bildern bestand, gibt es heute Datensätze mit einer Million gelabelter Bilder - also solche, auf denen Menschen markiert haben, was darauf zu sehen ist. Aber die Netze haben auch entscheidende Haken: "Man kann bei neuronalen Netzen schwer nachvollziehen, wie sie zu einer Entscheidung kamen", sagt Hamprecht. Zudem beruhe der Entwurf neuronaler Netze auf einer großen Willkür: Bei der Entscheidung, wie viele Lagen mit wie vielen Neuronen genutzt werden sollten, beruhe vieles auf Bauchgefühl oder auf Ausprobieren. Die Entwickler testen verschiedene Varianten und schauen, wann das beste Ergebnis entsteht. Erklären können sie ihre Entscheidung nicht. "Dieses Rumprobieren gefällt mir nicht", sagt Hamprecht, "ich gehe den Dingen lieber auf den Grund.""
  17. Gödert, W.: Schnittstelle von Wissen zwischen Institution und Nutzer (2001) 0.01
    0.012622322 = product of:
      0.050489288 = sum of:
        0.050489288 = product of:
          0.100978576 = sum of:
            0.100978576 = weight(_text_:lernen in 3775) [ClassicSimilarity], result of:
              0.100978576 = score(doc=3775,freq=4.0), product of:
                0.19222628 = queryWeight, product of:
                  5.6033173 = idf(docFreq=442, maxDocs=44218)
                  0.0343058 = queryNorm
                0.525311 = fieldWeight in 3775, product of:
                  2.0 = tf(freq=4.0), with freq of:
                    4.0 = termFreq=4.0
                  5.6033173 = idf(docFreq=442, maxDocs=44218)
                  0.046875 = fieldNorm(doc=3775)
          0.5 = coord(1/2)
      0.25 = coord(1/4)
    
    Abstract
    In dieser Expertise werden ausgehend von Rahmenbedingungen, die sich aus dem Verständnis von Wissen, Information und Lernen sowie der Diskussion um die Entwicklung unserer Gesellschaft zu einer Informations- oder Wissensgesellschaft ergeben, die Eigenschaften von Wissens-Schnittstellen zwischen Institution und Benutzer aufgezeigt. Es werden Möglichkeiten zur Gestaltung diskutiert, die die Retrievalwerkzeuge, Verfahren zur semantischen Navigation und Probleme verteilter Datenbanken betreffen. Anhand der inhaltlichen Komponenten, aus denen eine Schnittstelle aufgebaut sein kann, werden Möglichkeiten zur eigenen Positionierung aufgezeigt. Probleme der technischen Realisierung werden kurz gestreift. Abschließend werden einige Beispiele vorgestellt. Abgerundet wird die Darstellung durch ein Literaturverzeichnis
    Content
    Vgl. auch die Kurzfassung: Gödert, W.: Zwischen Individuum und Wissen: Computergestützte Schnittstellen für ein Lernen der Zukunft. In: Bibliotheken und die Vernetzung des Wissens. Hrsg.: Achim Puhl u. Richard Stang. Bielefeld: Bertelsmann 2002. S.119-132.
  18. Monireh, E.; Sarker, M.K.; Bianchi, F.; Hitzler, P.; Doran, D.; Xie, N.: Reasoning over RDF knowledge bases using deep learning (2018) 0.01
    0.012488572 = product of:
      0.024977144 = sum of:
        0.013357237 = product of:
          0.053428948 = sum of:
            0.053428948 = weight(_text_:learning in 4553) [ClassicSimilarity], result of:
              0.053428948 = score(doc=4553,freq=4.0), product of:
                0.15317118 = queryWeight, product of:
                  4.464877 = idf(docFreq=1382, maxDocs=44218)
                  0.0343058 = queryNorm
                0.34881854 = fieldWeight in 4553, product of:
                  2.0 = tf(freq=4.0), with freq of:
                    4.0 = termFreq=4.0
                  4.464877 = idf(docFreq=1382, maxDocs=44218)
                  0.0390625 = fieldNorm(doc=4553)
          0.25 = coord(1/4)
        0.011619906 = product of:
          0.023239812 = sum of:
            0.023239812 = weight(_text_:22 in 4553) [ClassicSimilarity], result of:
              0.023239812 = score(doc=4553,freq=2.0), product of:
                0.120133065 = queryWeight, product of:
                  3.5018296 = idf(docFreq=3622, maxDocs=44218)
                  0.0343058 = queryNorm
                0.19345059 = fieldWeight in 4553, product of:
                  1.4142135 = tf(freq=2.0), with freq of:
                    2.0 = termFreq=2.0
                  3.5018296 = idf(docFreq=3622, maxDocs=44218)
                  0.0390625 = fieldNorm(doc=4553)
          0.5 = coord(1/2)
      0.5 = coord(2/4)
    
    Abstract
    Semantic Web knowledge representation standards, and in particular RDF and OWL, often come endowed with a formal semantics which is considered to be of fundamental importance for the field. Reasoning, i.e., the drawing of logical inferences from knowledge expressed in such standards, is traditionally based on logical deductive methods and algorithms which can be proven to be sound and complete and terminating, i.e. correct in a very strong sense. For various reasons, though, in particular the scalability issues arising from the ever increasing amounts of Semantic Web data available and the inability of deductive algorithms to deal with noise in the data, it has been argued that alternative means of reasoning should be investigated which bear high promise for high scalability and better robustness. From this perspective, deductive algorithms can be considered the gold standard regarding correctness against which alternative methods need to be tested. In this paper, we show that it is possible to train a Deep Learning system on RDF knowledge graphs, such that it is able to perform reasoning over new RDF knowledge graphs, with high precision and recall compared to the deductive gold standard.
    Date
    16.11.2018 14:22:01
  19. DeSilva, J.M.; Traniello, J.F.A.; Claxton, A.G.; Fannin, L.D.: When and why did human brains decrease in size? : a new change-point analysis and insights from brain evolution in ants (2021) 0.01
    0.0124113 = product of:
      0.0496452 = sum of:
        0.0496452 = sum of:
          0.035701316 = weight(_text_:lernen in 405) [ClassicSimilarity], result of:
            0.035701316 = score(doc=405,freq=2.0), product of:
              0.19222628 = queryWeight, product of:
                5.6033173 = idf(docFreq=442, maxDocs=44218)
                0.0343058 = queryNorm
              0.18572548 = fieldWeight in 405, product of:
                1.4142135 = tf(freq=2.0), with freq of:
                  2.0 = termFreq=2.0
                5.6033173 = idf(docFreq=442, maxDocs=44218)
                0.0234375 = fieldNorm(doc=405)
          0.013943886 = weight(_text_:22 in 405) [ClassicSimilarity], result of:
            0.013943886 = score(doc=405,freq=2.0), product of:
              0.120133065 = queryWeight, product of:
                3.5018296 = idf(docFreq=3622, maxDocs=44218)
                0.0343058 = queryNorm
              0.116070345 = fieldWeight in 405, product of:
                1.4142135 = tf(freq=2.0), with freq of:
                  2.0 = termFreq=2.0
                3.5018296 = idf(docFreq=3622, maxDocs=44218)
                0.0234375 = fieldNorm(doc=405)
      0.25 = coord(1/4)
    
    Footnote
    Vgl. auch: Rötzer, F.: Warum schrumpft das Gehirn des Menschen seit ein paar Tausend Jahren? Unter: https://krass-und-konkret.de/wissenschaft-technik/warum-schrumpft-das-gehirn-des-menschen-seit-ein-paar-tausend-jahren/. "... seit einigen tausend Jahren - manche sagen seit 10.000 Jahren -, also nach dem Beginn der Landwirtschaft, der Sesshaftigkeit und der Stadtgründungen sowie der Erfindung der Schrift schrumpfte das menschliche Gehirn überraschenderweise wieder. ... Allgemein wird davon ausgegangen, dass mit den ersten Werkzeugen und vor allem beginnend mit der Erfindung der Schrift kognitive Funktionen, vor allem das Gedächtnis externalisiert wurden, allerdings um den Preis, neue Kapazitäten entwickeln zu müssen, beispielsweise Lesen und Schreiben. Gedächtnis beinhaltet individuelle Erfahrungen, aber auch kollektives Wissen, an dem alle Mitglieder einer Gemeinschaft mitwirken und in das das Wissen sowie die Erfahrungen der Vorfahren eingeschrieben sind. Im digitalen Zeitalter ist die Externalisierung und Entlastung der Gehirne noch sehr viel weitgehender, weil etwa mit KI nicht nur Wissensinhalte, sondern auch kognitive Fähigkeiten wie das Suchen, Sammeln, Analysieren und Auswerten von Informationen zur Entscheidungsfindung externalisiert werden, während die externalisierten Gehirne wie das Internet kollektiv in Echtzeit lernen und sich erweitern. Über Neuimplantate könnten schließlich Menschen direkt an die externalisierten Gehirne angeschlossen werden, aber auch direkt ihre kognitiven Kapazitäten erweitern, indem Prothesen, neue Sensoren oder Maschinen/Roboter auch in der Ferne in den ergänzten Körper der Gehirne aufgenommen werden.
    Source
    Frontiers in ecology and evolution, 22 October 2021 [https://www.frontiersin.org/articles/10.3389/fevo.2021.742639/full]
  20. Bauckhage, C.: Moderne Textanalyse : neues Wissen für intelligente Lösungen (2016) 0.01
    0.011900439 = product of:
      0.047601756 = sum of:
        0.047601756 = product of:
          0.09520351 = sum of:
            0.09520351 = weight(_text_:lernen in 2568) [ClassicSimilarity], result of:
              0.09520351 = score(doc=2568,freq=2.0), product of:
                0.19222628 = queryWeight, product of:
                  5.6033173 = idf(docFreq=442, maxDocs=44218)
                  0.0343058 = queryNorm
                0.49526796 = fieldWeight in 2568, product of:
                  1.4142135 = tf(freq=2.0), with freq of:
                    2.0 = termFreq=2.0
                  5.6033173 = idf(docFreq=442, maxDocs=44218)
                  0.0625 = fieldNorm(doc=2568)
          0.5 = coord(1/2)
      0.25 = coord(1/4)
    
    Abstract
    Im Zuge der immer größeren Verfügbarkeit von Daten (Big Data) und rasanter Fortschritte im Daten-basierten maschinellen Lernen haben wir in den letzten Jahren Durchbrüche in der künstlichen Intelligenz erlebt. Dieser Vortrag beleuchtet diese Entwicklungen insbesondere im Hinblick auf die automatische Analyse von Textdaten. Anhand einfacher Beispiele illustrieren wir, wie moderne Textanalyse abläuft und zeigen wiederum anhand von Beispielen, welche praktischen Anwendungsmöglichkeiten sich heutzutage in Branchen wie dem Verlagswesen, der Finanzindustrie oder dem Consulting ergeben.

Years

Languages

  • d 134
  • e 130
  • a 2
  • el 2
  • i 2
  • nl 1
  • More… Less…

Types

  • a 130
  • i 12
  • m 8
  • s 4
  • r 3
  • x 3
  • b 2
  • p 2
  • n 1
  • More… Less…