Maschinelles Lernen – der zweite Massive Open Online Course von acatech

Hintergrund und Ziele

Nach dem ersten Massive Open Online Course (MOOC) zur Industrie 4.0 bietet acatech in Kooperation mit dem Deutschen Forschungszentrum für Künstliche Intelligenz ab 20. März 2017 einen weiteren Kurs zum Thema „Maschinelles Lernen“ an.

Künstliche Intelligenz ist bereits im Alltag angekommen, sei es in Sprachassistenzsystemen auf Smartphones oder in Autopilotfunktionen in einem Fahrzeug. Doch es hat ein Paradigmenwechsel stattgefunden: Statt alle Schritte der Wissensverarbeitung manuell zu kodieren, werden Lernmethoden programmiert. Mit Hilfe des maschinellen Lernens erkennen Systeme die Struktur unserer Welt von selbst und ergänzen ihre Wissensbasis. Das maschinelle Lernen hat bereits viele Einsatzgebiete der Sprachverarbeitung, Bild- und Objekterkennung revolutioniert und gewinnt erheblich an Bedeutung für die Digitalisierung in Wirtschaft und Gesellschaft. Und es ist eine Schlüsseltechnologie für die Entwicklung autonomer Systeme, wie kollaborativer Roboter, die mit ihren menschlichen Kollegen Hand in Hand arbeiten, oder selbstfahrenden Autos.

MOOCs werden online angeboten, sind kostenlos und jederzeit verfügbar und erlauben unbegrenzte Teilnehmerzahlen. Sie richten sich dabei nicht ausschließlich an studentisches Publikum: MOOCs sind leicht zugängliche Angebote, die breite Teile der Bevölkerung ansprechen und das lebenslange Lernen unterstützen können. Die Kurse von acatech bieten dabei nicht nur einen fundierten Überblick über technologische Entwicklungen und Anwendungsbeispiele, sondern beleuchten auch Chancen und Risiken technologischer Entwicklungen sowie ethische und rechtliche Aspekte.

In 3 Kurswochen bieten Wissenschaftler, Vertreter aus Unternehmen, Entwickler und Anwender in insgesamt 38 Videos Orientierungswissen für das maschinelle Lernen. Die Nutzerinnen und Nutzer erhalten einen Überblick über Methoden des maschinellen Lernens, Anwendungsfelder und Werkzeuge. Konkrete Anwendungsbeispiele aus unterschiedlichsten Branchen wie der Automobilindustrie, der Gesundheitstechnologie oder der Finanzindustrie vermitteln einen Einblick, welche Probleme bereits heute mit Hilfe des maschinellen Lernens gelöst werden können. Der Kurs startet zur CeBIT 2017 am 20. März.

Kursprogramm

Einführung:

Maschinelles Lernen als eine Grundlage Künstlicher Intelligenz – Prof. Dr. Wolfgang Wahlster (Deutsches Forschungszentrum für Künstliche Intelligenz)

Woche 1: Methoden

Prozessmodelle für maschinelles Lernen – Prof. Dr. Stefan Wrobel (Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS)
Klassifikation und Regression 1 – Prof. Dr. Katharina Morik (TU Dortmund)
Klassifikation und Regression 2 – Prof. Dr. Katharina Morik (TU Dortmund)
Probabilistische Graphische Modelle – Prof. Dr. Kristian Kersting (TU Dortmund)
Clustering – Prof. Dr. Emmanuel Müller (Hasso-Plattner-Institut)
Reinforcement Learning – Prof. Dr. Helge Ritter (Universität Bielefeld)
Neuronale Netze – Prof. Dr. Helge Ritter (Universität Bielefeld)
Convolutional Neural Networks (CNN) – Dr. Damian Borth (DFKI Deep Learning Competence Center)
Recurrent Neural Networks (LSTM) – Prof. Dr. Alexander Löser und Prof. Dr. Felix Gers (Beuth Hochschule für Technik Berlin)
Generative Adversial Networks (GAN) – Dr. Damian Borth (DFKI Deep Learning Competence Center)

Woche 2: Werkzeuge

Big Data und Data Management für maschinelles Lernen – Prof. Dr. Volker Markl (TU Berlin / Deutsches Forschungszentrum für Künstliche Intelligenz)
Data Science mit Python – Daniel Stemmer (Blue Yonder)
Maschinelles Lernen mit Tensor Flow – Alex Osterloh (Google)
Datenstromverarbeitung mit Apache Flink – Fabian Hueske (Data Artisans)
Deep Learning mit GPUs – Axel Koehler (NVIDIA)

Woche 3: Einsatzfelder

Natural Language Processing (Computerlinguistik) – Prof. Dr. Josef van Genabith (DFKI)
Machine Translation (Maschinelle Übersetzung) – Dr. Georg Heigold (DFKI)
Image Classification & Object Recognition (Bildklassifizierung und Objekterkennung) – Dr. Mario Fritz (Max-Planck-Institut für Informatik)
Question Answering Systems – Dr. Mario Fritz (Max-Planck-Institut für Informatik)
Anomalieerkennung – Prof. Dr. Stefan Wrobel (Fraunhofer-Institut für Intelligente Analyse- und Informations-systeme IAIS)
Multi-Sensor Fusion: Einführung – Prof. Dr. Paul Lukowicz (DFKI)
Multi-Sensor Fusion: Anwendung – Prof. Dr. Paul Lukowicz (DFKI)

Bereits ab Kursstart verfügbar: Anwendungsbeispiele

Maschinelles Lernen für autonomes Fahren – Dr. Reinhard Stolle (BMW Group)
Enterprise Resource Planning – Dr. Markus Noga (SAP)
Maschinelles Lernen und Industrie 4.0 – Prof. Dr. Volker Tresp (Siemens / Ludwig-Maximilians-Universität München)
Maschinelles Lernen im Einzelhandel – Jan Karstens (Blue Yonder)
Maschinelles Lernen in der Gesundheitsbranche – Matthias Reumann (IBM)
Maschinelles Lernen im Dokumentenmanagement – Dan Wucherpfenning (Leverton)
Maschinelles Lernen in der Versicherungsbranche – Wolfgang Hauner (Munich RE)
Nachhaltigkeitsrankings für den Kapitalmarkt – Matthias Bönning (oekom Research)
Legal Entity Identifier: Mehr Transparenz in der Finanzwelt – Stephan Wolf (Global Legal Entity Identifier Foundation)

Ethische und rechtliche Aspekte

Rechtliche Aspekte – Prof. Dr. Eric Hilgendorf (Julius-Maximilians-Universität Würzburg)
Ethische Aspekte – Prof. Dr. Peter Dabrock (Friedrich-Alexander-Universität Erlangen-Nürnberg / Deutscher Ethikrat)