MachineLearnAthon

Problemstellung

Machine Learning (ML), als Teilbereich der künstlichen Intelligenz, ist ein Tool um Informationen aus Daten zu extrahieren und daraus Modelle zu entwickeln. Mit Hilfe dieser Modelle können Zielgrößen prognostiziert, Bilder oder Datenpunkte klassifiziert oder Gruppierungen erkannt werden. Es ermöglicht Prozessverbesserungen und die effiziente Nutzung von Ressourcen. Anwendungsgebiete gibt es in allen Fachbereichen, nur meistens fehlt es den Domänenexperten an ausreichend ML-Kenntnissen um optimale Ergebnisse durch die Kombination ihrer Expertise und den Algorithmen zu erzielen.

Zielsetzung

Der MachineLearnAthon ist ein europäisches Forschungsprojekt, das Lehrmaterialien rund um das Thema ML für Studierende verschiedener Fachrichtungen entwickelt. Mit seinem handlungsorientierten Lehrformat zielt das Projekt darauf ab, die Datenkompetenz und die praktischen ML-Kenntnisse (von der Datenerfassung bis zum Einsatz) zu verbessern. Es soll das Bewusstsein für Potenziale und die Risiken im Zusammenhang mit ML zu schärfen. Darüber hinaus fördern wir die internationale und interdisziplinäre Zusammenarbeit über die Vielfältigkeit unseres Konsortiums, bestehend aus Lehrstühlen der Informatik, der Betriebswirtschaft, des chemischen Ingenieurwesens und der Logistik.

Vorgehensweise

Unsere Lehrmaterialien setzen sich aus Mikrovorlesungen, Tutorien und Use Cases zusammen. Sie sind modular aufgebaut mit dem Ziel sowohl Studierende ohne jegliche ML- und Programmiervorkenntnisse zu adressieren als auch Studierende, die schon Erfahrung in den Bereichen haben. In den Mikrovorlesungen, Videos mit einer Länge von ca. 10 Minuten, vermitteln wir die Grundlagen und theoretischen Hintergründe von ML. In den Tutorien zeigen wir den Studierenden, wie sie die Algorithmen in der Programmiersprache Python implementieren können. Die Use Cases, bestehend aus realen Datensätzen, die ein tatsächliches Problem wiederspiegeln, dienen dazu, die ML Kenntnisse zu erproben und zu verbessern. Außerdem sollen sie durch ihren Anwendungsbezug Studierende motivieren sich mit der Thematik auseinanderzusetzen.