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.
