inf5402 - Vertrauenswürdiges Maschinelles Lernen

inf5402 - Vertrauenswürdiges Maschinelles Lernen

Department für Informatik 6 KP
Modulteile Semesterveranstaltungen Sommersemester 2024 Prüfungsleistung
Vorlesung
  • Uneingeschränkter Zugang 2.01.5402 - Trustworthy Machine Learning Lehrende anzeigen
    • Prof. Dr. Nils Strodthoff
    • Tiezhi Wang

    Montag: 12:00 - 14:00, wöchentlich (ab 08.04.2024)
    Donnerstag: 08:00 - 10:00, wöchentlich (ab 04.04.2024)
    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, Robustheit gegen Störung im Input), Unsicherheitsquantifizierung, Distribution Shift, Domain Adaptation, Fairness/Bias bis hin zu Privacy. Die Methoden werden in der Vorlesung theoretisch eingeführt und in den Übungen praktisch implementiert und angewendet. Inhaltliche Voraussetzungen sind grundlegende theoretische Kenntnisse im Bereich des maschinellen Lernens, praktische Programmierkenntnisse in Python und im Idealfall Grundkenntnisse im Training tiefer neuronaler Netzwerke.
Übung
  • Uneingeschränkter Zugang 2.01.5402 - Trustworthy Machine Learning Lehrende anzeigen
    • Prof. Dr. Nils Strodthoff
    • Tiezhi Wang

    Montag: 12:00 - 14:00, wöchentlich (ab 08.04.2024)
    Donnerstag: 08:00 - 10:00, wöchentlich (ab 04.04.2024)
    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, Robustheit gegen Störung im Input), Unsicherheitsquantifizierung, Distribution Shift, Domain Adaptation, Fairness/Bias bis hin zu Privacy. Die Methoden werden in der Vorlesung theoretisch eingeführt und in den Übungen praktisch implementiert und angewendet. Inhaltliche Voraussetzungen sind grundlegende theoretische Kenntnisse im Bereich des maschinellen Lernens, praktische Programmierkenntnisse in Python und im Idealfall Grundkenntnisse im Training tiefer neuronaler Netzwerke.
Hinweise zum Modul
Teilnahmevoraussetzungen

Grundlegende theoretische Kenntnisse im Bereich des maschinellen Lernens, praktische Programmierkenntnisse in Python und idealerweise Grundkenntnisse im Training tiefer neuronaler Netzwerke.
Prüfungszeiten

Am Ende der Vorlesungszeit
Prüfungsleistung Modul

Klausur / mündl. Prüfung
Kompetenzziele

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

Nach oben