Kurs 1: Graue Zellen und Statistik

Wie Mensch und Maschine voneinander lernen

Maschinellem Lernen begegnet man täglich. Email-Systeme lernen, automatisch Spam von sinnvollen Mails zu unterscheiden, Kreditinstitute trainieren Algorithmen, die Diebstahl und Betrugsversuche erkennen. Meterologen nutzen Programme, die aus Daten der vergangenen Jahre akkurate Wetterprognosen erstellen und Google baut weiter an einem selbstfahrenden Auto. Doch wie hat der Computer gelernt, was er kann? Wie kann eine Maschine überhaupt lernen und anschließend Entscheidungen treffen, ohne dass wir ihr genau sagen wie? Und wie kann eine Maschine etwas lernen, das wir nicht können?

Um diese und weitere Fragestellungen rund um menschliches und maschinelles Lernen geht es in diesem Kurs. Anhand von Beispielen werden die Grundlagen und Anwendungen des maschinellen Lernens erkundet und diese mit den Fähigkeiten des menschlichen Gehirns verglichen.

Dabei wird zunächst erörtert, wie sich mit Hilfe von statistischen Modellen Vorhersagen machen lassen. Wie weiß Netflix zum Beispiel, an welchen Serien ihre Kunden interessiert sein könnten? Das Ziel dieser Einheit ist es, selbst einen Mechanismus zu entwickeln, mit dem sich Vorhersagen treffen lassen.

Daraufhin wird untersucht wie sich das Lernen bei Menschen und Maschine unterscheidet. Denn warum kann ein Computer uns im Schach mit Leichtigkeit schlagen, aber nur schwer erkennen, welche Emotion wir beim Verlieren zeigen? Mit Hilfe von Informationstheorie, Neurowissenschaften und Philosophie nähert sich der Kurs der Limitierung biologischer und artifizieller Systeme. Dabei wird uns tiefer darauf eingegangen wie Mensch und Maschine auch voneinander lernen können. Denn die Entwicklung biologisch inspirierter Technik und das Verstehen menschlichen Denkens mit Hilfe von Software machen große Fortschritte. Als Illustration hierfür wird im Kurs untersucht, wie neuronale Netze als Algorithmen zum Einsatz kommen und wie Computer auflösen können, wo im Gehirn Information gespeichert wird.

Über den Kurs hinweg erarbeiten die Teilnehmenden eigene Ideen, wie Mensch und Maschine sinnvoll interagieren können und diskutieren diese. Auf diesem Weg lernen sie zentrale Konzepte wie Overfitting, Klassifizierung, Regression und Cross-Validation kennen.

Der Kurs soll eine bunte Mischung aus Praxis, Theorie und Diskussionen sein. Das Ziel ist, den Teilnehmern die technischen Herausforderungen dieses Feldes näher zu bringen, aber dabei auch die Vielfalt der Anwendungen nicht aus den Augen zu verlieren.
Die Teilnehmenden benötigen keine spezifischen Vorkenntnisse, sollten aber an interdisziplinären Fragestellungen interessiert sein. Der Kurs lebt davon, das Thema auf der Basis verschiedener Fachbereiche zu untersuchen und verlangt den Willen, verschiedene Perspektiven einzunehmen .

Daniel Mescheder, Horst von Lautz

Comments are closed.