inf5402 Trustworthy Machine Learning (Complete module description)

Module label	Trustworthy Machine Learning
Modulkürzel	inf5402
Credit points	6.0 KP
Workload	180 h
Verwendbarkeit des Moduls	Master Data Science and Machine Learning > Kernbereich Wahlpflichtmodule Master Informatik > Angewandte Informatik Master Wirtschaftsinformatik > Akzentsetzungsmodule der Informatik
Zuständige Personen	Strodthoff, Nils (module responsibility) Lehrenden, Die im Modul (Prüfungsberechtigt)
Prerequisites	Grundlegende theoretische Kenntnisse im Bereich des maschinellen Lernens, praktische Programmierkenntnisse in Python und idealerweise Grundkenntnisse im Training tiefer neuronaler Netzwerke.
Skills to be acquired in this module	Fachkompetenzen: Die Studierenden haben einen Überblick über die verschiedenen Aspekte, die die Qualität von maschinellen Lernalgorithmen bestimmen. Sie kennen Methoden, um verschiedene Qualitätsaspekte zu messen und ggf. Methoden, um diese zu verbessern und können diese implementieren und einsetzen. Methodenkompetenzen: Die Studierenden erarbeiten sich selbstständig unter Zuhilfenahme von Präsenzveranstaltungen, bereitgestellten Materialien und Fachliteratur theoretische und praktische Konzepte Sozialkompetenzen Die Studierenden können Lösungsansätze für Probleme in diesem Bereich im Plenum präsentieren und in Diskussionen verteidigen Selbstkompetenzen Die Studierenden können ihre eigene Fach- und Methodenkompetenz einschätzen. Sie übernehmen die Verantwortung für ihre Kompetenzentwicklung und ihre Lernfortschritte und reflektieren diese selbstständig. Zudem erarbeiten sie selbstständig die Lerninhalte und können die Inhalte kritisch reflektieren
Module contents	Maschinelle Lernalgorithmen finden zunehmend breite Anwendung in verschiedensten insbesondere auch sicherheitskritischen Anwendungsbereichen, doch die Qualität dieser Algorithmen wird in den seltensten Fällen systematisch untersucht. Der Schwerpunkt dieser Veranstaltung liegt auf verschiedensten Qualitätsdimensionen für maschinelle Lernalgorithmen, insbesondere tiefe neuronale Netzwerke, angefangen von der Messung der Leistungsfähigkeit, über Interpretierbarkeit/Erklärbarkeit (XAI), Robustheit (adversarial robustness, non-adversarial robustness, distribution shifts, OOD-detection), Unsicherheitsquantifizierung, Fairness/Bias bis hin zu Privacy. Die Methoden werden in der Vorlesung theoretisch eingeführt und in den Übungen praktisch implementiert und angewendet.
Literaturempfehlungen	Da es kein einziges Lehrbuch gibt, das alle Themen dieser Vorlesungsreihe abdeckt, wird während des gesamten Kurses relevante Fachlektüre empfohlen.
Links	/
Language of instruction	English
Duration (semesters)	1 Semester
Module frequency	Sommersemester
Module capacity	unrestricted
Lehr-/Lernform	V+Ü

Form of instruction	SWS	Frequency	Contact-time workload
Lecture	2	SoSe	28
Exercises	2	SoSe	28
Präsenzzeit Modul insgesamt			56 h

Examination	Prüfungszeiten	Type of examination
Final exam of module	Am Ende der Vorlesungszeit