BROADCASTS.com

Der Vortrag "Demystifying AI"\xa0 soll den\xa0Zuh\xf6rerinnen eine fundierte und verst\xe4ndliche Einf\xfchrung in das Thema Artificial Intelligenz (AI) bieten. Der Erfolg von ChatGPT hat den Eindruck erweckt, dass AI langsam den Menschen ersetzen kann. Zus\xe4tzlich haben die gro\xdfen Player ein gro\xdfes Interesse daran AI als eine schwierige und komplexe Technologie darzustellen. Mit diesem Talk trete ich diesem Trend entgegen und blicke hinter die Kulissen des Maschinellen Lernens. Das Ziel des Talks ist es, die Grundlagen des Maschinellen Lernens zu erkl\xe4ren, da dies die aktuelle Form der AI ist, die wir momentan nutzen. Zus\xe4tzlich m\xf6chte ich versuchen, den schwer verst\xe4ndlichen Jargon aufzubrechen und damit besser greifbar zu machen.\n\nDer Talk beginnt mit einer Erl\xe4uterung der verschiedenen Arten des Maschinellen Lernens. Durch Beispiele werde ich erkl\xe4ren, wie diese Lernmethoden funktionieren und welche Probleme sie l\xf6sen k\xf6nnen. Das \xfcberwachte Lernen beinhaltet das Trainieren eines Modells anhand von Eingabe- und Ausgabedaten, w\xe4hrend das un\xfcberwachte Lernen nach Mustern und Gruppierungen in den Daten sucht. Beim verst\xe4rkenden Lernen interagiert das Modell mit einer Umgebung, um Belohnungen zu maximieren. Dieser \xdcberblick erm\xf6glicht es den Zuh\xf6rerinnen ein umfassenderes Verst\xe4ndnis f\xfcr die Funktionsweise und Anwendungsbereiche des maschinellen Lernens zu bekommen. Ich werde dabei besonders auf die Gemeinsamkeiten der verschiedenen Ans\xe4tze eingehen, um den Teilnehmerinnen die M\xf6glichkeit zu geben den grundlegenden Zusammenhang zu erkennen. \n \nDen Schwerpunkt des Vortrags werde ich darauf legen, die mathematischen Grundlagen des Maschinellen Lernens zu erkl\xe4ren. Dabei werde ich erl\xe4utern, wie das Training von ML-Modellen durchgef\xfchrt wird und welche Schritte dabei im Detail stattfinden. Es wird deutlich, dass das Training eines ML-Modells im Wesentlichen auf der Optimierung einer Kostenfunktion basiert, um die besten Modellparameter zu finden. Die Zuh\xf6rerinnen werden verstehen, wie das Training mathematisch formuliert ist und welche Algorithmen dabei verwendet werden, um die Modellgewichte anzupassen und die Fehler zu minimieren. \n \nAm Ende des Vortrags werde ich die Herausforderungen und Fallstricke des maschinellen Lernens diskutieren. Hierbei werden Themen wie Datenvorverarbeitung, Overfitting, Bias und Erkl\xe4rbarkeit kurz behandelt, um den Zuh\xf6rerinnen ein Verst\xe4ndnis der potenziellen Schwierigkeiten beim Einsatz von Maschinellem Lernen zu vermitteln. Ich werde erl\xe4utern, wie die Qualit\xe4t der Daten einen gro\xdfen Einfluss auf die Leistung des Modells hat und welche Schritte unternommen werden k\xf6nnen, um die Datenqualit\xe4t zu verbessern. Zudem werde ich erkl\xe4ren, wie Overfitting vermieden werden kann, indem Modelle an zus\xe4tzlichen Testdaten \xfcberpr\xfcft werden. Die Diskussion \xfcber Bias und Erkl\xe4rbarkeit soll die Zuh\xf6rerinnen sensibilisieren, dass maschinelles Lernen nicht frei von Vorurteilen ist und dass es wichtig ist, die Entscheidungen und Vorhersagen von Modellen nachvollziehen und erkl\xe4ren zu k\xf6nnen. \n \nAbschlie\xdfend werde ich praktische Tipps und Ressourcen f\xfcr den Einstieg in das Maschinelle Lernen geben. Die Teilnehmerinnen erhalten Empfehlungen f\xfcr B\xfccher, Online-Kurse und Communitys, um ihr Wissen weiter auszubauen und eigene Projekte zu starten. \nDurch die Inhalte meines vortrags m\xf6chte ich dazu beitragen, den Einsatz von AI differenziert zu betrachten und kritisch zu hinterfragen.\nabout this event: https://pretalx.c3voc.de/camp2023/talk/GQRTAS/