20-00-1118-iv Mensch- und Identitätsfokussiertes Maschinelles Lernen

Veranstaltungsdetails

Lehrende: Naser Damer

Veranstaltungsart: Integrierte Veranstaltung

Orga-Einheit: FB20 Informatik

Anzeige im Stundenplan: BioES

Fach:

Anrechenbar für:

Semesterwochenstunden: 4

Unterrichtssprache: Deutsch und Englisch

Min. | Max. Teilnehmerzahl: - | -

Lehrinhalte:
Hintergründe und Konzepte von Human-Centric Machine Learning: Das Ziel von Identität und Human-Centric Machine Learning. Die Unterschiede zwischen Identitätslernen und anderen gängigen Klassifikationsarten.
Repräsentationsextraktion für subjektbezogene Daten: Methoden für die Feature Erstellung für identitätsbezogene Anwendungen. Grundlagen und Hintergründe für handgefertigte oder Deep Learning Features.
Deep-Learning Strategien für Identitätsrepräsentationen: Erlernen von Identitätsrepräsentationen mit Hilfe von Deep Learning. Lernstrategien und Loss-Funktionen.
Netzwerkarchitekturen und identitätsspezifische Komponenten.
Knowledge Transfer und Distillation: Transfer Learning und Identitätsrepräsentation. Konzepte und Anwendungen von Knowledge Distillation.
Effizientes Machine Learning: Beziehung zwischen Ressourcenbeschränkungen, Green-AI und
Deep Learning. Methoden zum Aufbau effizienter Lösungen für Maschinelles Lernen.
Synthetische Identität: Die Notwendigkeit einer synthetischen Identität. Synthetische Identität als Adversarial. Generierung synthetischer identitätsgesteuerter Daten unter
verschiedenen Einschränkungen.
Machine Learning Biases: Analyse der demografischen Fairness und der Ursachen der Fairnessprobleme. ML-basierte Abmilderung von demografischen Bias.
Privatsphäre erlernen: Analyse von unbeabsichtigt gelernten Informationen. Lernstrategien zur gezielten Unterdrückung von Informationen auf verschiedenen Repräsentationsebenen.
Data Utility: Verständnis der Auswirkungen von Data Utility im Lernprozess. Verstehen von Sample Utility im Betrieb. ML-Konzepte und Strategien zur Schätzung von Sample Utilities.
Angriffe auf Sample-Level: Überblick über Adversarial, Sample Manipulation und andere Angriffe auf Human-Centric ML. Deep Learning Konzepte, Netzwerkblöcke und LossStrategien um Sample-Level Angriffe zu erkennen und zu umgehen.
Explainability: Überblick über den Bedarf von Explainability in verschiedenenen Entscheidungsprozessen. Verschiedene Strategien um Explainability für Themen aus vergangenen Vorlesungen.

Voraussetzungen:
Es wird empfohlen, zuvor Visual Computing besucht zu haben. Grundlagen in Mathematik und Wahrscheinlichkeitsrechnung sind erforderlich.

Literatur
Termine
Datum Von Bis Raum Lehrende
1 Di, 12. Apr. 2022 13:30 16:50 S115/133 Naser Damer
2 Di, 19. Apr. 2022 13:30 16:50 S115/133 Naser Damer
3 Di, 26. Apr. 2022 13:30 16:50 S115/133 Naser Damer
4 Di, 3. Mai 2022 13:30 16:50 S115/133 Naser Damer
5 Di, 10. Mai 2022 13:30 16:50 S115/133 Naser Damer
6 Di, 24. Mai 2022 13:30 16:50 S115/133 Naser Damer
7 Di, 31. Mai 2022 13:30 16:50 S115/133 Naser Damer
8 Di, 7. Jun. 2022 13:30 16:50 S115/133 Naser Damer
9 Di, 14. Jun. 2022 13:30 16:50 S115/133 Naser Damer
10 Di, 21. Jun. 2022 13:30 16:50 S115/133 Naser Damer
11 Di, 28. Jun. 2022 13:30 16:50 S115/133 Naser Damer
12 Di, 5. Jul. 2022 13:30 16:50 S115/133 Naser Damer
13 Di, 12. Jul. 2022 13:30 16:50 S103/104 Naser Damer
Übersicht der Kurstermine
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
Lehrende
Naser Damer