Im Proseminar eingeschriebene Studierende senden ihre Wunschthemen mit Priorität an marion.suer(at)tu-dortmund.de bis zum 30.09.2021. Die überschneidungsfreie Zuteilung der Themen erfolgt am 08.10.2021.
Am 12.10.2021 14 bis 16 Uhr gibt es eine Besprechung. Die Einwahldaten werden rechtzeitig per eMail versandt. Am 26.10.2021 14 bis 16 Uhr gibt es die Einführung in die Literaturrecherche. Die Einwahldaten werden rechtzeitig per eMail versandt. Für weitere Fragen zu ihrem Referat können Studierende in der Vorlesungszeit eine Mail zur Terminvereinbarung senden an katharina.morik(at)tu-dortmund.de. Wir besprechen die Fragen dann.
Am 23. und 24. November werden je 9 Vorträge gehalten. Jeder Vortrag dauert 20 Minuten, 10 Minuten sind für die anschließende Diskussion, Fragen und Bezüge zu den anderen Themen vorgesehen. Es gibt eine Mittagspause von 12 -13 Uhr und eine weitere Pause von 14 bis 14:30 Uhr. Jeder Vortrag stellt den ausgewählten Artikel vor und setzt ihn in einen Zusammenhang zu den anderen Themen.
Das schriftliche Referat muss bis zum 01.02.2022 abgegeben werden.
Den Moodle Raum finden Sie hier.
In Proseminaren wird geübt, wie man sich ein Thema erarbeitet, eigenständig die Literatur sucht, die Fragen zum Thema beantwortet. Dabei werden alle im Artikel verwendeten Fachbegriffe definiert und ggf. verschiedene Definitionen unterschiedlicher Autoren diskutiert. Insofern lesen die Studierenden nicht nur den ausgewählten Artikel, sondern darüber hinaus solche, die in dem Artikel zitiert werden und weitere, die zum Verständnis des Artikels beitragen. Behauptungen werden stets belegt. Jeder verwendete Artikel wird korrekt zitiert, ein Literaturverzeichnis steht am Ende der Präsentation und des Referats. Das mündliche Referat dauert 20 Minuten und erlaubt es allen, das spezifische Problem zu verstehen, das in dem Artikel behandelt wird, sowie den Lösungsansatz und die Beziehung zu den anderen Themen.
Zur Rechtschreibkorrektur wird dringend geraten.
Das schriftliche Referat umfasst etwa 15 bis 20 Seiten mit Literaturverzeichnis. Auch hier gilt die sorgfältige Definition aller verwendeten Fachbegriffe, das korrekte Zitieren sowie die Sorgfalt bei der Rechtschreibung.
Machine learning (ML) is a driving force for many successful applications in Artificial Intelligence. Machine learning is not just a class of algorithms but there are long and nested sequences of algorithms and, at the same time, algorithms are built upon other algorithms from libraries or tools. This makes it hard for users to understand machine learning models.
One approach to allowing an understanding of machine learning is to explain the learned model. It has been pointed out that also the data which are used for training the model need a careful inspection. Hence, the first topic is explainability. Of course, explainability of neural networks is covered here.
In addition to explanations, a comprehensive sound paper on the trustworthiness of deep neural networks is split into three parts, so that three students could study this work. All parts only need the introduction as an additional read, not the other parts.
We want to include not only pure computer science views, but also look at what psychology, sociology and ethics have to say about AI and ML in particular. Some views of the broad area of ethics and bias form the second topic.
The impact of learned models on staff selection, sales, and popularity is tremendous. The bias in data leads to a bias in real-world life. Actually, biased data may do harm to the health and success of people. Hence, the community of researchers in machine learning and other disciplines discusses how to establish fairness. The third topic is the fairness.
Literatur