Welche Rolle spielen Daten? – Datenbewusstsein am Beispiel von Empfehlungssystemen im Kontext von Streamingplattformen

Unterrichtsplanung: Welche Rolle spielen Daten? – Datenbewusstsein am Beispiel von Empfehlungssystemen im Kontext von Streamingplattformen
Das Unterrichtsvorhaben setzt sich aus vier Teilen zusammen und thematisiert als Beispielanwendung die Erhebung und Verarbeitung von Daten exemplarisch bei der Nutzung des Streamingplattformen, fokussiert auf den Einsatz von Empfehlungssystemen, und weiterführend in anderen Alltagskontexten der Lernenden. Im ersten Teil wird in den Kontext der Streamingplattform mit personalisierten Filmempfehlungen eingeführt. Dabei wird erarbeitet, welche persönlichen Daten bei der Nutzung einer exemplarischen Streamingplattform erhoben werden, um mit diesen personalisierte Filmempfehlungen zu ermitteln. Im zweiten Teil wird die Funktionsweise eines Filmempfehlungssystemes rekonstruiert, wofür die Schüler:innen in einer vorbereiteten Lernumgebung mit einem gegebenen Filmempfehlungsdienst interagieren und schrittweise die Funktionsweise von der Erhebung von Daten bis hin zur automatisierten Ermittlung von Empfehlungen mit einem Verfahren des maschinellen Lernens erarbeiten. Im dritten Teil wird exemplarisch eine Zweitverwertung von Nutzungsdaten durch eine Streamingplattform thematisiert. Im vierten Teil werden zuvor gelernte Konzepte zur Rolle von Daten bei datengetriebenen digitalen Artefakten zu einem Erklärmodell zusammengeführt.
Nutzungsrechte
CC BY-SA
Vervielfältigung und Verbreitung erlaubt. Namensnennung erforderlich. Weitergabe unter gleichen Bedingungen.
Herkunftsnachweis
"Welche Rolle spielen Daten? – Datenbewusstsein am Beispiel von Empfehlungssystemen im Kontext von Streamingplattformen" von , lizenziert unter CC BY-SA 4.0
Original-URL
https://www.prodabi.de/materialien/datenbewusstsein-mittelstufe/
Lernressource Unterrichtsplanung, Unterrichtsbaustein
Lizenz CC BY-SA 4.0
Zusätzliche Lizenzinformationen Initiiert und gefördert von Deutsche Telekom Stiftung und Universität Paderborn.
Sprache Deutsch
Medium melden
ähnliche Materialien
Interaktion: Clustering: vom Sortieren bis zum Explorieren | 02 | Daten- und Fehlerarten (Aufgabe 2)
Mediathek
Clustering: vom Sortieren bis zum Explorieren | 02 | Daten- und Fehlerarten (Aufgabe 2)
Diese Aufgabe dient als Vertiefung zum Video "Daten- und Fehlerarten" aus der Sektion “Clustering: vom Sortieren bis zum Explorieren”.
Interaktion
Heinrich-Heine-Universität Düsseldorf
AI, Arten von Daten, Artificial Intelligence, Clustering, Clusteringverfahren, Coverage Error, Daten, Datenarten, Datenerhebung, Datenkategorien, Datentypen, Fehlerarten, Framework, Gruppierung, Informatik, KI, Kategorien von Daten, Kategorisierung, Label, Measurement Error, Messfehler, Nonresponse Fehler, Partitionierung, Platform Coverage Error, Representation Error, Repräsentationsfehler, Technologie, Total Error Framework, Umfragedaten, User Selection Fehler, Verzerrung, designed data, digitale Verhaltensdaten, eLearning, found data, künstliche Intelligenz, organic data, statistische Fehler, überwachtes Lernen
Interaktion: Clustering: vom Sortieren bis zum Explorieren | 02 | Daten- und Fehlerarten (Aufgabe 1)
Mediathek
Clustering: vom Sortieren bis zum Explorieren | 02 | Daten- und Fehlerarten (Aufgabe 1)
Diese Aufgabe dient als Vertiefung zum Video "Daten- und Fehlerarten" aus der Sektion “Clustering: vom Sortieren bis zum Explorieren”.
Interaktion
Heinrich-Heine-Universität Düsseldorf
AI, Arten von Daten, Artificial Intelligence, Clustering, Clusteringverfahren, Coverage Error, Daten, Datenarten, Datenerhebung, Datenkategorien, Datentypen, Fehlerarten, Framework, Gruppierung, Informatik, KI, Kategorien von Daten, Kategorisierung, Label, Measurement Error, Messfehler, Nonresponse Fehler, Partitionierung, Platform Coverage Error, Representation Error, Repräsentationsfehler, Technologie, Total Error Framework, Umfragedaten, User Selection Fehler, Verzerrung, designed data, digitale Verhaltensdaten, eLearning, found data, künstliche Intelligenz, organic data, statistische Fehler, überwachtes Lernen
Video: Clustering: vom Sortieren bis zum Explorieren | 02 | Daten- und Fehlerarten (MP4)
Mediathek
Clustering: vom Sortieren bis zum Explorieren | 02 | Daten- und Fehlerarten (MP4)
In diesem Video geht es um unterschiedliche Kategorien und Arten von Daten: designed data und found data sowie Umfragedaten und digitale
Video
Heinrich-Heine-Universität Düsseldorf
AI, Arten von Daten, Artificial Intelligence, Clustering, Clusteringverfahren, Coverage Error, Daten, Datenarten, Datenerhebung, Datenkategorien, Datentypen, Fehlerarten, Framework, Gruppierung, Informatik, KI, Kategorien von Daten, Kategorisierung, Label, Measurement Error, Messfehler, Nonresponse Fehler, Partitionierung, Platform Coverage Error, Representation Error, Repräsentationsfehler, Technologie, Total Error Framework, Umfragedaten, User Selection Fehler, Verzerrung, designed data, digitale Verhaltensdaten, eLearning, found data, künstliche Intelligenz, organic data, statistische Fehler, überwachtes Lernen
Kurs: Clustering: vom Sortieren bis zum Explorieren | 02 | Daten- und Fehlerarten (PDF)
Mediathek
Clustering: vom Sortieren bis zum Explorieren | 02 | Daten- und Fehlerarten (PDF)
In diesem Video-Transkript geht es um unterschiedliche Kategorien und Arten von Daten: designed data und found data sowie Umfragedaten und digitale
Kurs
Heinrich-Heine-Universität Düsseldorf
AI, Arten von Daten, Artificial Intelligence, Clustering, Clusteringverfahren, Coverage Error, Daten, Datenarten, Datenerhebung, Datenkategorien, Datentypen, Fehlerarten, Framework, Gruppierung, Informatik, KI, Kategorien von Daten, Kategorisierung, Label, Measurement Error, Messfehler, Nonresponse Fehler, Partitionierung, Platform Coverage Error, Representation Error, Repräsentationsfehler, Technologie, Total Error Framework, Umfragedaten, User Selection Fehler, Verzerrung, designed data, digitale Verhaltensdaten, eLearning, found data, künstliche Intelligenz, organic data, statistische Fehler, überwachtes Lernen
Video: Bildklassifikation und Bildsegmentierung | 03 | Rechtliche Aspekte der Nutzung medizinischer Daten zu Forschungszwecken (MP4)
Mediathek
Bildklassifikation und Bildsegmentierung | 03 | Rechtliche Aspekte der Nutzung medizinischer Daten zu Forschungszwecken (MP4)
Die medizinischen Datenverarbeitungssysteme werden fast ausschließlich auf Patientendaten trainiert. In dem folgenden Video sprechen wir über die
Video
Heinrich-Heine-Universität Düsseldorf
AI, Artificial Intelligence, Bildanalyse, Bilderkennung, Bildklassifikation, Bildsegmentierung, DSGVO, Datennutzung, Datenschutz, Datenverarbeitung, DigiG, Digital-Gesetz, Digitalisierung, E-Rezept, Europäische Datenschutzgrundverordnung, GDNG, Gesetz, Gesundheitsdatennutzungsgesetz, Informatik, KI, KI-System, Kategorisierung, Lokalisierung, Opt-Out-Verfahren, Patientendaten, Technologie, eLearning, ePA, elektronische Patientenakte, künstliche Intelligenz, maschinelles Sehen, visuelle Wahrnehmung

Als Anwendung installieren

Installieren Sie HubbS als App für ein besseres Nutzungserlebnis. Mehr erfahren.

Abbrechen