Veranstaltung
Die hier angezeigten Termine und Veranstaltungen werden dynamisch aus Stud.IP heraus angezeigt.
Daher kontaktieren Sie bei Fragen bitte direkt die Person, die unter dem Punkt Lehrende/Dozierende steht.
Veranstaltung
Semester:
Sommersemester
2023
2.01.597 Trustworthy Machine Learning -
Veranstaltungstermin | Raum
- Donnerstag, 13.4.2023 8:15 - 09:45 | V03 0-E002
- Montag, 17.4.2023 12:15 - 13:45 | V03 0-E002
- Donnerstag, 20.4.2023 8:15 - 09:45 | V03 0-E002
- Montag, 24.4.2023 12:15 - 13:45 | V03 0-E002
- Donnerstag, 27.4.2023 8:15 - 09:45 | V03 0-E002
- Donnerstag, 4.5.2023 8:15 - 09:45 | V03 0-E002
- Montag, 8.5.2023 12:15 - 13:45 | V03 0-E002
- Donnerstag, 11.5.2023 14:15 - 15:45 | V03 2-A208
- Montag, 15.5.2023 12:15 - 13:45 | V03 0-E002
- Montag, 22.5.2023 12:15 - 13:45 | V03 0-E002
- Donnerstag, 25.5.2023 14:15 - 15:45 | V03 2-A208
- Donnerstag, 1.6.2023 14:15 - 15:45 | V03 2-A208
- Montag, 5.6.2023 12:15 - 13:45 | V03 0-E002
- Donnerstag, 8.6.2023 14:15 - 15:45 | V03 2-A208
- Montag, 12.6.2023 12:15 - 13:45 | V03 0-E002
- Donnerstag, 15.6.2023 14:15 - 15:45 | V03 2-A208
- Montag, 19.6.2023 12:15 - 13:45 | V03 0-E002
- Donnerstag, 22.6.2023 14:15 - 15:45 | V03 2-A208
- Montag, 26.6.2023 12:15 - 13:45 | V03 0-E002
- Donnerstag, 29.6.2023 14:15 - 15:45 | V03 2-A208
- Montag, 3.7.2023 12:15 - 13:45 | V03 0-E002
- Donnerstag, 6.7.2023 14:15 - 15:45 | V03 2-A208
- Montag, 10.7.2023 12:15 - 13:45 | V03 0-E002
- Donnerstag, 13.7.2023 14:15 - 15:45 | V03 2-A208
- Mittwoch, 16.8.2023 9:00 - 11:15 | V04 1-123
Beschreibung
Maschinelle Lernalgorithmen finden zunehmend breite Anwendung in verschiedensten insbesondere auch sicherheitskritischen Anwendungsbereichen, doch die Qualität dieser Algorithmen wird in den seltensten Fällen systematisch untersucht. Der Schwerpunkt dieser Veranstaltung liegt auf verschiedensten Qualitätsdimensionen für maschinelle Lernalgorithmen, insbesondere tiefe neuronale Netzwerke, angefangen von der Messung der Leistungsfähigkeit, über Interpretierbarkeit/Erklärbarkeit (XAI), Robustheit (adversarial robustness, Robustheit gegen Störung im Input), Unsicherheitsquantifizierung, Distribution Shift, Domain Adaptation, Fairness/Bias bis hin zu Privacy. Die Methoden werden in der Vorlesung theoretisch eingeführt und in den Übungen praktisch implementiert und angewendet. Inhaltliche Voraussetzungen sind grundlegende theoretische Kenntnisse im Bereich des maschinellen Lernens, praktische Programmierkenntnisse in Python und im Idealfall Grundkenntnisse im Training tiefer neuronaler Netzwerke.
Lehrende