Hvad er AI mat?

Hvad er AI mat? Først og fremmest er AI mat skrevet til brug i matematikundervisningen i gymnasiet. Fokus har været på STX, men andre gymnasiale uddannelser vil også kunne gøre brug af indholdet her på siden.

Kort fortalt handler AI mat om al den spændende gymnasiematematik, som ligger bag kunstig intelligens! Til gengæld handler AI mat ikke om at lære eleverne, hvordan de får en kunstig intelligens til at løse deres matematikopgaver (det kan de vist fint selv finde ud af)! Det har helt overordnet været et mål at åbne små vinduer ind til den kæmpestore "black box", som kunstig intelligens er for mange.

Alt indhold på AI mat henvender sig til eleverne og er således forsøgt skrevet i et sprog, som de kan forstå. Den eneste undtagelse herfra er sider eller områder markeret med "Til lærerne".

Siden består af følgende fire dele:

• Undervisningsforløb: Disse er til brug i den daglige undervisning. Hvert forløb henvender sig direkte til eleverne med videoer, tekst og opgaver, som de arbejder sig igennem. Den enkelte lærer kan selvfølgelig frit tilpasse forløbene eller udvælge dele af dem. Vi har her samlet en række forslag til, hvordan forløbene kan bruges som supplerende stof på både B- og A-niveau inklusiv eksempler på tilhørende eksamensspørgsmål.
• Noter: Disse er længere noter (i mange tilfælde med videogennemgang af teksten), som danner baggrund for forløbene, og som er velegnede til selvstudie i forbindelse med SRP.
• SRP: Konkrete forslag til, hvordan vores materiale kan bruges i forbindelse med SRP – herunder konkrete forslag til, hvad der kan arbejdes med i forskellige fag udover matematik.
• AI apps: Her har vi samlet en række AI apps, som blandt andet kan bruges til at træne en kunstig neuron og til at lave logistisk regression.

Nedenfor skriver vi lidt mere om opbygningen af undervisningsforløbene og noterne. Leder man efter noget specifikt, kan vi anbefale vores "Søg"-funktion øverst til højre på alle sider. Hvis du har feedback eller kommentarer til vores side, er du velkommen til at kontakte Ege Rubak.

Undervisningsforløb

Under undervisningsforløb har vi samlet en lang række eksempler på undervisningsforløb, som på den ene eller den anden måde introducerer centrale begreber og problemstillinger i forbindelse med kunstig intelligens. Alle forløb er kategoriseret efter niveau (A, B eller C), og nogle forløb har også et andet fag som kategori, hvis vi tænker, at et tværfagligt samarbejde vil kunne give mening. De fleste af forløbene er kategoriseret som korte forløb, hvilket betyder, at vi tænker, at forløbet kan afvikles på 1-3 undervisningstimer. Derudover er nogle få af forløbene kategoriseret som lange forløb. Disse forløb er tænkt som et bud på supplerende stof, og alle lange forløb inkluderer derfor også et eller flere bud på tilhørende eksamensspørgsmål til den mundtlige prøve.

I alle forløb vil der i starten være angivet, hvilke forudsætninger forløbet kræver, samt et estimeret bud på et tidsforbrug. Derudover er et overordnet formål for forløbet også anført.

Alle forløb henvender sig direkte til eleverne. Og med mindre andet er angivet under "Forudsætninger og tidsforbrug", så kan forløbene bruges uafhængigt af hinanden. Dette er tilfældet for langt størstedelen af forløbene.

I nogle forløb skal eleverne læse et afsnit i en af vores noter eller se en video, men det vil tydeligt fremgå.

I flere af forløbene er der også givet idéer til, hvad man eventuelt kan springe over eller kun lade de dygtigste af eleverne arbejde med. Der vil således i mange af forløbene være rig mulighed for undervisningsdifferentiering.

De steder, hvor det giver mening, har vi også til sidst i forløbet indsat et link til en delvis facitliste.

Noter

Vores noter består af en lang række noter, hvor flere af dem er suppleret med tilhørende videoer. Vi henviser til mange af noterne i vores undervisningsforløb – og omvendt vil der også i mange af noterne være henvisninger til relaterede forløb. Alle noter kan bruges som materiale til SRP.

Noterne er inddelt i to hovedemner samt et antal mindre emner.

Det ene hovedemne er kunstige neurale netværk , som er en algoritme, der indgår i rigtig mange former for kunstig intelligens. I virkeligheden er neurale netværk komplicerede sammensatte funktioner, og der er en masse god matematik i dem. Undervejs i noterne kommer man igennem mange af de vigtigste principper inden for kunstig intelligens.

Det andet hovedemne er store sprogmodeller, som er de matematiske modeller for sprog, der ligger bag kunstig intelligens, der kan generere ny tekst. De præcise algoritmer er komplicerede, og ingen forstår i detaljer, hvorfor de virker. Vi dykker ned i nogle af de centrale idéer for, hvordan sprog kan oversættes til matematik på en måde, som en computer kan bruge til tekstgenerering.

De mindre emner gennemgår andre interessante metoder eller anvendelser inden for kunstig intelligens. En introduktion til de enkelte emner kan findes her. Endelig har vi en side, hvor vi har samlet forskellig matematisk baggrundsteori, som vi henviser til undervejs.