Moses - Qualitätssicherung für Maschinelles Lernen

Zur Modulseite PDF generieren

Modul / Version
#41069 / #1

Gültigkeit
WiSe 2022/23 - WiSe 2022/23

Verfügbare Sprache(n)
Deutsch, Englisch

Titel des Moduls
Quality Assessment for Machine Learning
Qualitätssicherung für Maschinelles Lernen

Leistungspunkte
3

Modulverantwortliche*r
Haufe, Stefan

Benotung
Benotet

Prüfungsform
Portfolioprüfung

Lehrsprache(n)
Englisch

Zugehörigkeit

Fakultät
Fakultät IV

Institut
Institut für Softwaretechnik und Theoretische Informatik

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

Prüfungsausschuss
Keine Angabe

Kontakt

Sekretariat
MAR 4-4

Ansprechpartner*in
Haufe, Stefan

E-Mail-Adresse
haufe@tu-berlin.de

Webseite

https://www.tu.berlin/uniml/

Diese Modulbeschreibung gilt nicht im aktuellen Semester.

Die Modulbeschreibung gilt nur für den Zeitraum WiSe 2022/23 - WiSe 2022/23. Die Version für das aktuelle Semester (SoSe 2025) finden Sie hier: Modulbeschreibung des SoSe 2025

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:

Lehrveranstaltungen	Art	Nummer	Turnus	Sprache	SWS	ISIS	VVZ
Quality Assurance for Machine Learning	SEM		WiSe/SoSe	en	2

ISIS-Kurssuche nach Veranstaltungen des Moduls

Arbeitsaufwand und Leistungspunkte

Quality Assurance for Machine Learning (SEM):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	4.0h	60.0h
			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

Name	Punkte	Kategorie	Dauer/Umfang
Referat	50	mündlich	30 min
Gruppenarbeit	25	mündlich	60 min
(Deliverable assessment) Homework	25	praktisch	3 Seiten

Notenschlüssel

Notenschlüssel »Notenschlüssel 1: Fak IV (1)«

Gesamtpunktzahl	1.0	1.3	1.7	2.0	2.3	2.7	3.0	3.3	3.7	4.0
100.0pt	86.0pt	82.0pt	78.0pt	74.0pt	70.0pt	66.0pt	62.0pt	58.0pt	54.0pt	50.0pt

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

Semester:

Zeige auch ausgelaufene Studiengänge und StuPOs

Diese Modulversion wird in folgenden Studiengängen verwendet:

	Studiengang / StuPO	StuPOs	Verwendungen	Erste Verwendung	Letzte Verwendung
Dieses Modul findet in keinem Studiengang Verwendung.

Sonstiges

Keine Angabe