Qualifizierung und Lehre

Generell werden folgende Lehrveranstaltungen mit KI-Schwerpunkt angeboten:

• Autonomous Systems: Deep Learning, Prof. Dr.-Ing. Nicolaj Stache,
  Veranstaltung jährlich, jeweils im Sommersemester
  Niveau: Master der Studiengänge: MAS, MMA, MEL, MMB
  Sprache: Englisch
  Veranstaltungsnummern: 305446, 265493, 115588, 135491
  Die Veranstaltung ist offen für alle Studierende der HHN!
  Termine entnehmen Sie bitte dem SPlan; Unterrichtsmaterialien, s. ILIAS

Wir freuen uns über Bewerbungen für Abschlussarbeiten unter Angabe des Themengebietes (s. Forschung) und mit aktuellem Notenspiegel.

Das Zentrum etabliert zusätzliche praktisch ausgerichtete Veranstaltungen, die fakultätsübergreifend für Bachelor- und Masterstudierende geöffnet sind. Hochschulintern wird es ein ML-Basisseminar und eine forschungsnahe ZML-Projektarbeit angeboten. 

ZML School on Machine Learning

Um die Industrie einzubinden und Studierenden einen alternativen Zugang zu den fünf ML-Schlüsselqualifikationen zu bieten, haben wir die "ZML School on Machine Learning" etabliert. Im Stile eines Crashkurses vermitteln wir Studierenden und Firmenmitarbeiter*innen die wichtigsten Kenntnisse. Theoretisch fundiert aber vor allem praktisch orientiert werden im Laufe der Einheiten Projektaufgaben gelöst. Zudem gibt die Möglichkeit, an einem ausgewählten Forschungsthema hands-on mitzuarbeiten.

Für Studierende, aber auch im Rahmen des Studiums Generale und für die interessierte Öffentlichkeit, gibt es eine ML-Ringvorlesung mit dem Ziel die Bedeutung des Machine Learning vor dem gesellschaftlichen Kontext zu beleuchten. Die Technologien und Einsatzzwecke des ML berühren Fragen des Datenschutzes und der Ethik und haben das Potenzial, gravierende gesellschaftliche Veränderungen zu bewirken – beispielsweise durch den Ersatz von Arbeitsplätzen in Industrie 4.0 Umgebungen.

Die nächsten Ringvorlesungen sind in der Planung.

Generell produziert das ZML als Ergebnis der praktischen Übungen und Seminare eine Vielzahl von Datensätzen, Lehrmaterialien, Tools in Form von Programmcode, Video-Tutorials und vieles mehr. Diese werden zukünftigen Studierenden, aber auch anderen Wissenschaftler*innen und der Industrie zur Verfügung stehen. 

Damit haben die Studierenden, aber auch an ZML-interessierte Industriemitarbeiter, die Möglichkeit, außerhalb der Veranstaltungen den Lehrstoff selbständig zu lernen und zu rekapitulieren.

Das erfolgreiche Absolvieren von mindestens Ringvorlesung und der ZML School, alternativ einer Reihe von Masterveranstaltungen, wird mit einem Zertifikat Maschinelle Lernverfahren der Hochschule Heilbronn honoriert werden.

Das ZML vermittelt fünf Schlüsselqualifikationen:

1. Werkzeuge: wie Datenbanksysteme, Software und Softwarebibliotheken (z.B. TensorFlow, scikit-learn), Programmiersprachen (z.B. Python) etc.
2. Datenmanagement: Vorbehandlung und Prüfung von Daten zur Eignung auf ML
3. Maschinelle Lernverfahren: die Algorithmen des ML
4. Validierung und Visualisierung: Prüfen, Erklären, Darstellen und Interpretieren von automatisch generierten Ergebnissen
5. Praktische Anwendung: praktische Beherrschung aller zuvor genannten Methoden mit Einbezug des ZML Toolkits

Das ZML führt in Abstimmung mit den teilnehmenden Professor*innen Standard-Werkzeuge für ML ein, die sich in anwendungsnaher Forschung und Industrie (z. B. Alphabet (vormals Google), …) etabliert haben und noch nicht angemessen in der Lehre an der Hochschule vertreten sind. Als wichtiges Werkzeug kommt die Programmiersprache Python inkl. spezieller Bibliotheken für Datenverarbeitung und ML wie scikit-learn, pandas, TensorFlow zum Einsatz. Mit diesen Werkzeugen entwickelt MaLeFiZ ein generisches Toolkit, welches auch die Anbindung von Sensorik und Datenverarbeitungsroutinen umfasst.

Der ML-Fokus liegt auf:

1. Künstliche Neuronale Netzwerke: Deep Learning, Convolutional Neural Networks
2. andere überwachte Klassifikationsverfahren: z.B. Support Vector Machine (SVM), Random Forest, Lineare Diskriminanzanalyse (LDA)
3. unüberwachte Lernverfahren: z.B. Clustering, Hauptkomponentenanalyse (PCA), Unabhängigkeitsanalyse (ICA), Regressionsverfahren
4. Modell-Validierung: Hierzu werden aus den vorhandenen Daten, Trainingsdaten, Validierungsdaten und Testdaten abgespalten.
5. Modell-Visualisierung: Entscheidungsgrenzen und Datenmerkmale visuell darstellen, damit Lernverfahren von den Trainingsdaten ausreichend abstrahieren und auch auf unbekannten Datensätzen eine nachvollziehbare Entscheidung treffen können.

Das ZML beschränkt sich nicht auf das Verwenden fertiger oder frei verfügbarer Datenbanken, sondern erhebt auch selbst Daten und speist diese in Lehre und Forschung mit ein. Hierfür steht beispielsweise das Testfeld Autonomes Fahren BW zur Verfügung.

Fakultätsübergreifend werden wichtige Lerninhalte abgestimmt und benannte Veranstaltungen für Studierende anderer Fachrichtungen geöffnet.