Seminar: Proseminar / Hauptseminar: KI-Systeme und deren Absicherung - Details

General information

Course name	Seminar: Proseminar / Hauptseminar: KI-Systeme und deren Absicherung
Course number	S 1328
Semester	SS 2019
Current number of participants	22
Home institute	Institut für Software and Systems Engineering
Courses type	Seminar in category Teaching
First date	Tuesday, 30.04.2019 16:30 - 18:00, Room: (C10-207 Seminarraum 207)
SWS	2

Lecturers

• Prof. Dr. Rüdiger Ehlers
• Adina Aniculaesei, M.Sc.
• Dipl.-Ing. Peter Engel

Topics

Vorbesprechung, Presentation Techniques / Schreibwerkstatt, 1st Topic Presentation Slot, 2nd Topic Presentation Slot, 3rd Topic Presentation Slot, Schreibwerkstatt Überarbeitung Paper, Abgabe der schriftlichen Ausarbeitung

Rooms and times

(C10-207 Seminarraum 207)

Tuesday, 30.04.2019 16:30 - 18:00

(Geophysik, Raum 124; Arnold-Sommerfeld-Str. 1, Geb. C10)

Tuesday, 14.05.2019 17:30 - 18:30
Tuesday, 18.06.2019, Tuesday, 25.06.2019, Tuesday, 02.07.2019 17:30 - 19:30
Tuesday, 09.07.2019 17:00 - 18:30

(Raum 102 im Erdgeschoss des ISSE (Gebäude C10, Arnold-Sommerfeld-Straße 1))

Monday, 20.05.2019 14:00 - 16:00

(Via Email an dem Betreuer / Dozent)

Thursday, 25.07.2019 00:30 - 23:30

Fields of study

• Vorlesungsverzeichnis Sommersemester 2019 > Studienkommission 4: Mathematik und Informatik > Institut für Software and Systems Engineering

Comment/Description

Moderne Machine-Learning Frameworks erlauben den einfachen Zugriff auf ausgefeilte Algorithmen, um Datenpunkte zu (gelernten) Modellen zu generalisieren. Solche Modelle können dann z.B. eingesetzt werden, um Bilderkennung zu betreiben, die Kreditwürdigkeit von Antragstellern bei Banken zu schätzen, oder Daten in eingebetteten Systemen zu rekonstruieren.

Viele Anwendungen in der Praxis benötigen darüber hinaus aber auch eine Qualitätssicherung der gelernten Modelle. Nicht alle gelernten Modelle ergeben Sinn, und ob dies der Fall ist, muss vor dem Einsatz solcher Modelle geprüft werden.

In diesem Seminar werden wir betrachten, wie man Machine Learning so anwenden kann, dass die gelernten Modelle möglichst verlässlich sind. Wir legen dabei einen Fokus auf künstliche neuronale Netze als Modellklasse und nutzen moderne Frameworks wie z.B. Pytorch, TensorFlow oder Keras für ein paar ausgewählte Beispielszenarien. Danach betrachten wir, wie wir die gelernten Modelle bewerten können. Dies umfasst Teithemen wie z.B.:

- Aufteilung in Training, Test-, und Validierungs-Datensätze
- Statistische Methoden zur Bewertung gelernter Modelle
- Abdeckung von Testfällen
- Verifikation von gelernten Modellen

Der Fokus des Seminars liegt dabei auf dem praktischen Anwenden der Methoden nach deren Erarbeitung und dem Sammeln von Erfahrungen für den effektiven Einsatz von Machine Learning Methoden in der Praxis.