Ausgehend von den aktuellen Entwicklungen im Bereich des Maschinellen Lernens (ML) wird das Thema Erklärbare Künstliche Intelligenz als notwendige Weiterentwicklung für den praktischen Einsatz von ML motiviert. Grundlegende Konzepte, spezielle Ansätze und methodische Grundlagen werden durch eine Mischung aus kurzen Podcasts, Erklärfilmen, Praxisbeispielen sowie Hands-on Angeboten zur Selbstkontrolle und zur Übung und Vertiefung vermittelt. Am Ende ist man in der Lage, einzuschätzen, welche Art von Methode – von Visualisierung bis Regelextraktion – für welche Art von Zielgruppe vom Entwickler über Fachexpertinnen bis zum Endanwender bzw. der Endanwenderin sinnvoll ist.
Welche Inhalte erwarten mich?
- Überblick über Methoden des erklärbaren Maschinellen Lernens
- Anwendungsbeispiele von XAI Methoden in den Ingenieurwissenschaften
- Algorithmen von speziellen XAI Methoden, insbesondere Visualisierungsmethoden und Regelextraktion
Was werde ich erreichen?
Bei Abschluss des Kurses sind Sie in der Lage...
- Probleme von rein datengetriebenen Blackbox-Lernansätzen zu verstehen.
- methodische Zugänge zur Erklärbarkeit überblicksartig zu benennen.
- ausgewählte XAI-Ansätze zu benennen.
- Möglichkeiten der Anwendbarkeit und Use-Cases zu verstehen.
Welche Voraussetzungen benötige ich?
- Vorwissen im Bereich Ingenieurwissenschaften oder Informatik
- Grundlegende Vorkenntnisse im Bereich Maschinelles Lernen
- Mathematik für Ingenieure
Kursanbieter
Fraunhofer IIS; Prof. Dr. Ute Schmitt, Dr. Stephan Scheele, Christine Distler
