Zur Modulseite PDF generieren

#41069 / #1

WiSe 2022/23 - WiSe 2022/23

Deutsch, Englisch

Quality Assessment for Machine Learning
Qualitätssicherung für Maschinelles Lernen

3

Haufe, Stefan

Benotet

Portfolioprüfung

Englisch

Zugehörigkeit


Fakultät IV

Institut für Softwaretechnik und Theoretische Informatik

34352700 FG S-Professur Unsicherheit, inverse Modellierung und maschinelles Lernen (UNIML)

Keine Angabe

Kontakt


MAR 4-4

Haufe, Stefan

haufe@tu-berlin.de

Lernergebnisse

Kenntnisse: Die Studierenden sind vertraut mit den abstrakten Anforderungen, die gegenwärtige und geplante Gesetzesinitiativen an Systeme und Produkte, die künstliche Intelligenz (KI) oder Maschinelles Lernen (ML) verwenden, stellen (werden). Sie kennen verschiedene Dimensionen der Qualität von KI/ML Systemen und Produkten, und haben sich geeignete quantitative Verfahren und Metriken zur Messung von Qualität, sowie technische Ansätze zur Wahrung und Verbesserung von Qualität, erarbeitet. Fertigkeiten: Die Studierenden erwerben praktische Fähigkeiten hinsichtlich des debuggings von ML Anwendung, indem sie code und/oder Daten sowie workflows analysieren. Sie erwerben oder verfeinern die Fähigkeit, ein inhaltlich klar abgegrenztes Feld anhand vorgegebener Literatur zusammenzufassen, um vorgegebene Fragen zu beantworten. Die Ergebnisse der wissenschaftlichen Recherche werden in einem Fachvortrag präsentiert, wobei Präsentationstechniken erworben oder verfeinert werden und wissenschaftlicher Diskurs geübt wird. Kompetenzen: Die Studierenden sind in der Lage, die Risiken und Ausfallarten eines gegebenen KI/ML Systems oder Produktes zu analysieren. Sie sind weiterhin in der Lage, Testverfahren vorzuschlagen, um die Funktionstüchtigkeit des Systems/Produktes unter verschiedenen Störeinflüssen zu bewerten, sowie Maßnahmen vorzuschlagen, um unerwünschtes Systemverhalten zu verhindern. Sie sind ferner in der Lage, die ethischen, ökonomischen und sonstigen Implikationen einzelner Ausfallarten zu diskutieren.

Lehrinhalte

- Motivation und einleitende Beispiele aus den Bereichen Automotive, Medizin oder Finanzen - Erarbeitung von Taxonomien anhand von Risikoklassen und Ausfallarten - rechtliche Anforderung an KI Systeme - ethische Fragen - Qualitätsaspekte von KI/ML Systemen * Datenqualität * Modellgüte, Generalisierbarkeit * Modellrobustheit * Fairness * Transparenz * Unsicherheitsschätzung und -kalibrierung * Arten von Interpretierbarkeit und Erklärbarkeit * Datenschutz - Testverfahren und quantitative Metriken zur Messung von Qualität - praktische Ansätze, um hohe Qualität zu gewährleisten/erreichen - Simulationend und Benchmarks - Gegenwärtige Normungs- und Standardisierungsaktivitäten

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWS ISIS VVZ
Quality Assurance for Machine LearningSEMWiSe/SoSeen2

Arbeitsaufwand und Leistungspunkte

Quality Assurance for Machine Learning (SEM):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
90.0h(~3 LP)
Der Aufwand des Moduls summiert sich zu 90.0 Stunden. Damit umfasst das Modul 3 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Das Modul besteht derzeit aus einem Seminar. Die Studierenden werden jeweils einen Fachvortrag zu einem vorgegebenen konkreten Thema halten, wofür ein Zusammenstellung von Publikationen bereitgestellt wird. Die studentischen Vorträge werden durch kurze Vorlesungssegmente eingerahmt, die den Zweck haben, die behandelten Forschungsthemen einzuführen, mit Kontext zu versehen und zu verbinden. Teil jedes Veranstaltungstermins sind Diskussionsphasen, in denen die Teilnehmer zu aktiver Mitarbeit aufgefordert sind. Die Studierenden werden ausserdem als Gruppenarbeit ein KI System analysieren und ihre Ergebnisse dem Seminar vorstellen. Zudem werden die Studierenden eine Hausaufgabe bearbeiten.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Empfohlen ist ein abgeschlossenes Bachelorstudium und Vorwissen in KI/ML. Der erfolgreiche Abschluss eines einfuehrenden Moduls wie "Machine Learning I" oder "Machine Intelligence I" wird empfohlen. Programmierkentnisse in mindestens einer Sprache (z.B. Matlab, Python, R).

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

Benotung

Benotet

Prüfungsform

Portfolioprüfung

Art der Portfolioprüfung

100 Punkte insgesamt

Sprache(n)

Englisch

Prüfungselemente

NamePunkteKategorieDauer/Umfang
Referat50mündlich30 min
Gruppenarbeit25mündlich60 min
(Deliverable assessment) Homework25praktisch3 Seiten

Notenschlüssel

Notenschlüssel »Notenschlüssel 1: Fak IV (1)«

Gesamtpunktzahl1.01.31.72.02.32.73.03.33.74.0
100.0pt86.0pt82.0pt78.0pt74.0pt70.0pt66.0pt62.0pt58.0pt54.0pt50.0pt

Prüfungsbeschreibung (Abschluss des Moduls)

Die Modulnote berechnet sich aus 1. Der Qualität des Seminarvortrags. (50%). 2. Der Qualität der Vorstellung einer Gruppenarbeit (25%). 3. Die Qualität einer Hausaufgabe (25%).

Dauer des Moduls

Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt:
1 Semester.

Dieses Modul kann in folgenden Semestern begonnen werden:
Wintersemester.

Maximale teilnehmende Personen

Die maximale Teilnehmerzahl beträgt 25.

Anmeldeformalitäten

Die Studierenden können sich in MOSES für den Kurs registrieren.

Literaturhinweise, Skripte

Skript in Papierform

Verfügbarkeit:  nicht verfügbar

 

Skript in elektronischer Form

Verfügbarkeit:  nicht verfügbar

 

Literatur

Empfohlene Literatur
Keine empfohlene Literatur angegeben

Zugeordnete Studiengänge


Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOStuPOsVerwendungenErste VerwendungLetzte Verwendung
Dieses Modul findet in keinem Studiengang Verwendung.

Sonstiges

Keine Angabe