Im Sommersemester 2022 bietet die Arbeitsgruppe Maschinelles Lernen wieder das forschungsorientierte Modul Maschinelles Lernen mit empirischen Daten an, das sich an Studierende in den Master-Studiengängen Informatik und Bioinformatik richtet.

Der Modulumfang beträgt 10 LP, die sich aus folgenden Lehrveranstaltungen ergeben:

• Vorlesung "Empirie und Automatisierung" (2 SWS)
• Seminar "Empirie und Automatisierung" (2 SWS)
• Blockpraktikum "Maschinelles Lernen mit empirischen Daten" (2 SWS)

Teilnahmevoraussetzungen, Regelungen zur Modulprüfung und weitere Modalitäten können der Veranstaltungsankündigung (PDF) entnommen werden. Die Teilnehmerzahl ist auf 20 begrenzt.

Die Noten der Prüfungen zur Veranstaltung "Deep Learning" m Modul "Aktuelle Trends in der Informatik" sind in AlmaWeb verfügbar. Im Schnitt haben die Teilnehmerinnen und Teilnehmer die Modulnote 1,6 erreicht (n=17); die Durchfallquote lag bei 0%. Die Grafik zeigt die Häufigkeit der Noten.

Im Wintersemester 2021/22 bietet die Arbeitsgruppe Maschinelles Lernen im Rahmen des Moduls Aktuelle Trends in der Informatik erstmals die Fortgeschrittenen-Lehrveranstaltung Deep Learning an.

Ziel der Lehrveranstaltung ist es, sich einen fundierten Überblick über Deep-Learning-Architekturen und -Algorithmen - einschließlich generativer Methoden wie Generative Adversarial Networks (GAN) - anzueignen. Neben dem Analysieren und Bewerten etablierter Verfahren wird es im Rahmen der Übung auch Gelegenheit geben, Deep-Learning-Werkzeuge praktisch anzuwenden. Die Veranstaltung wird im ersten Teil seminaristischen und im zweiten Teil praktischen Charakter haben.

Bitte beachten Sie, dass es sich nicht um eine Einführungsveranstaltung für Maschinelles Lernen bzw. Neuronale Netze handelt, und grundlegende Konzepte (z.B. Aufbau neuronaler Netze, Prinzipien von Trainingsalgorithmen, Unterschiede überwachtes/unüberwachtes Lernen) als bekannt vorausgesetzt werden.

Weitere Informationen zu Ablauf und Organisation finden Sie hier.

Die Noten der diesjährigen Prüfungen zum Modul "Maschinelles Lernen mit empirischen Daten" sind ab jetzt in AlmaWeb verfügbar. Im Schnitt haben die Teilnehmerinnen und Teilnehmer die Modulnote 1,7 erreicht (n=19); unter den Teilnehmern, die alle geforderten Leistungen tatsächlich erbracht haben (n=18), betrug der Moduldurchschnitt 1,6. Die Durchfallquote lag bei 0%. Die Grafik zeigt die Häufigkeit der Noten.

Im Sommersemester 2021 bietet die Arbeitsgruppe Maschinelles Lernen wieder das forschungsorientierte Modul Maschinelles Lernen mit empirischen Daten an, das sich an Studierende in den Master-Studiengängen Informatik und Bioinformatik richtet.

Der Modulumfang beträgt 10 LP, die sich aus folgenden Lehrveranstaltungen ergeben:

• Vorlesung "Empirie und Automatisierung" (2 SWS)
• Seminar "Empirie und Automatisierung" (2 SWS)
• Blockpraktikum "Maschinelles Lernen mit empirischen Daten" (2 SWS)

Teilnahmevoraussetzungen, Regelungen zur Modulprüfung und weitere Modalitäten können der Veranstaltungsankündigung (PDF) entnommen werden. Die Teilnehmerzahl ist auf 20 begrenzt.

Das Aufttakttreffen findet am Montag, 12.4.2021, 13 Uhr online statt. Eingeschriebene Studierende erhalten hierzu eine Einladung per Mail.

Die Noten der Prüfungen zur Veranstaltung "Hybride Künstliche Intelligenz" m Modul "Aktuelle Trends in der Informatik" sind ab jetzt in AlmaWeb verfügbar. Im Schnitt haben die Teilnehmerinnen und Teilnehmer die Modulnote 2,0 erreicht (n=13); die Durchfallquote lag bei 0%. Die Grafik zeigt die Häufigkeit der Noten.

Nach längerer Entwicklungszeit hat die Arbeitsgruppe Maschinelles Lernen heute neue Implementierungen des Frameworks "Konstruktivistisches Maschinelles Lernen" veröffentlicht. Unter der Bezeichung "conML" stehen interessierten Nutzern damit nun quelloffene Beta-Versionen für die Programmiersprachen Python, R und Julia zur Verfügung.

Konstruktivistisches Maschinelles Lernen bezeichnet ein Verfahren hybrider künstlicher Intelligenz, das in der zugehörigen Dissertation entworfen und erprobt wurde. Für die praktische Anwendung stand bisher lediglich ein Prototyp mit eingeschränkter Funktionalität und Performance zur Verfügung.

Federführend für die Re-Implementierungen waren Florian Große, Dmitrij Denisenko und Dennis Carrer, denen ich für Ihre Arbeit an dieser Stelle noch einmal danken möchte. Darauf hinaus gilt mein Dank den Teilnehmenden der Veranstaltung Hybride Künstliche Intelligenz, die im Rahmen praktischer Übungen Installation und erste Schritte getestet haben.

Im Rahmen der derzeit laufenden Entwicklung von Normen und Standards für Künstliche Intelligenz in Deutschland hat das Deutsche Institut für Normung (DIN) kürzlich unser neues Buch "Managing and Understanding Artificial Intelligence Solutions" auf dem Digitalgipfel der Bundesregierung vorgestellt.

Das darin vorgeschlagene Konzept namens AI-MC² Grid erlaubt erstmals eine umfassende Klassifikation von KI und stellt ein praxisnahes "Werkzeug zur Beschreibung von konkreten KI-Produkten, deren Komponenten, Funktionen und Schadenspotenzial" dar (Prof. Dr. Wolfgang Wahlster, Deutsches Forschungszentrum für Künstliche Intelligenz).

Das Buch ist im Beuth-Verlag erschienen und im Buchhandel erhältlich.

Am 2.11.2020, 15.00 Uhr, wird die gemeinnützige Organisation CorrelAid in einem Online-Vortrag unter dem Motto Data For Good sich selbst sowie aktuelle Vorhaben und Challenges vorstellen. CorrelAid ist ein interdisziplinäres und überparteiliches Netzwerk von Data-Science-begeisterten Menschen, die die Welt mit Hilfe von Daten und Algorithmen verändern wollen.

Die NGO CorrelAid möchte dabei insbesondere den sozialen Sektor und Organisationen unterstützen, die sich dafür einsetzen, die Welt zu einem besseren Ort zu machen. Neben Informatikern und Data Scientists engagieren sich daher auch viele weitere IT-affine Menschen aus gesellschaftlich relevanten Bereichen ehrenamtlich bei CorrelAid.

Die Zugangsdaten für das Online-Event erhalten Sie mittels Anmeldung via Eventbrite.

Die Noten der diesjährigen Prüfungen zum Modul "Maschinelles Lernen mit empirischen Daten" sind ab jetzt in AlmaWeb verfügbar. Im Schnitt haben die Teilnehmerinnen und Teilnehmer die Modulnote 1,7 erreicht (n=26); die Durchfallquote lag bei 0%. Die Grafik zeigt die Häufigkeit der Noten.