KI für alle: Einführung in die Künstliche Intelligenz
79
2023
2,345
11 hours 38 minutes
Results 1-36 out of 79
11:45
59Carstens, JonasIn diesem Video geht es um die rechtlichen Grundlagen der für den KI-Einsatz relevanten Diskriminierungsverbote. Außerdem beschäftigen wir uns erneut mit den ethischen Implikationen der KI-Diskriminierungsproblematik. Dafür werfen wir zuerst einen Blick auf den Artikel 3 des Grundgesetzes und dann auf das Allgemeine Gleichbehandlungsgesetz. Danach beschäftigen wir uns kurz mit der Frage, wie KI überhaupt diskriminieren kann und schließlich, wie dies mit systemischer Ungleichheit zusammenhängt. Lernziele: Du kennst die verfassungsrechtliche Basis und das Allgemeine Gleichbehandlungsgesetz und kannst sie unterscheiden Du kennst die Unterscheidung zwischen mittelbarer und unmittelbarer Diskriminierung im Kontext von KI-Anwendungen Dein Verständnis für den Zusammenhang zwischen KI-Diskriminierung und gesellschaftlicher Ungleichheit ist gestärkt
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
10:02
55Duong, Manh KhoiIn diesem Video stellen wir das Forschungsprojekt "Responsible Academic Performance Prediction (RAPP)" aus der Informatik und den Sozialwissenschaften an der HHU vor. Im Projekt wird ein KI-System entwickelt, das akademische Leistungen an Universitäten sozial verträglich vorhersagen kann. Dazu werden Entscheidungsbäume verwendet. Außerdem lernen wir, wie Fairness im Kontext von Maschinellem Lernen definiert, quantifiziert und evaluiert werden kann. Lernziele: Du beschreibst RAPP als Anwendungsbeispiel für die Umsetzung von Responsible AI Du erläuterst, wie aus informatischer Sicht eine Responsible AI angestrebt werden kann Du nennst RAPP als Anwendungsfall von Entscheidungsbäumen
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
05:45
51Feger, MarcIn diesem Video lernst du die Sprachverarbeitung oder das Natural Language Processing kennen - ein Feld der Künstlichen Intelligenz, das sich mit dem Verarbeiten von Sprache beschäftigt. Ein zentrales Konzept dabei ist die Textrepräsentation, also die Art und Weise, wie wir Texte in eine Form bringen, um von Maschinen verstanden werden zu können. Du bekommst einen Einblick in einfache und fortgeschrittene Textrepräsentationen. Lernziele: Du erklärst die Grundlagen von Transformermodellen Du nennst BERT als Beispiel für ein Transformermodell Du erklärst den Unterschied zwischen einfachen Textrepräsentationen wie dem Worttaschenmodell und fortgeschrittenen Textrepräsentationen wie Transformern
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
08:45
32Feger, MarcIn diesem Video lernst du mehr über BERT, das Modell zur Wort-Einbettung, das die Bedeutung von Wörtern anhand ihres Kontexts erfasst. Dazu arbeiten wir mit der Python-Library "flair". Wir diskutieren den Aufbau von BERT und lernen anhand eines anschaulichen Beispiels das Konzept der Wort-Einbettungen und die Vorteile der BERT-Einbettungen besser kennen. Wir programmieren embeddings und berechnen und visualisieren die semantische Ähnlichkeit von Wörtern. Lernziele: Du erklärst den Aufbau von BERT Du erläuterst, wie BERT-Einbettungen funktionieren Du erklärst das Konzept der semantischen Ähnlichkeiten von Wörtern
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
03:25
20Feger, MarcIn diesem Video lernst du ein Projekt aus der Informatik an der HHU kennen, bei dem es darum geht, mit Hilfe von Methoden der Sprachverarbeitung automatisch Argumente und Argumentationsstrukturen in Texten zu erkennen. Ziel ist es, diese Methoden auf Twitter anzuwenden und so einen Beitrag zur Verbesserung der Qualität von Diskussionen und Debatten in sozialen Medien zu leisten. Lernziele: Du nennst Argument Mining auf Twitter als Beispiel für eine Anwendung der Textverarbeitung mit Hilfe von Deep Learning Du nennst Vorteile von Twitter-Analysen mit Hilfe von KI, insbesondere im Hinblick auf öffentliche Debatten in sozialen Medien
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
13:05
19Feger, MarcIn diesem Video lernst du einen wahren Klassiker unter den Datensätzen kennen - den MNIST Datensatz, der aus Bildern von handgeschriebenen Ziffern besteht. Wir wiederholen noch einmal den Aufbau von Graustufenbildern und beschäftigen uns mit deren Normalisierung. Anschließend zeigen wir dir, wie man den Aufbau eines neuronalen Netzwerkes programmiert und wie die einzelnen Bestandteile und Parameter des Netzwerks interpretiert werden können. Lernziele: Du beschreibst den MNIST Datensatz und lädst ihn in dein Programm Du normalisierst Bilder, sodass die Intensitätswerte zwischen 0 und 1 liegen Du erklärst, wie du mit "models.Sequential" Layer zu deinem neuronalen Netzwerk hinzufügen kannst Du erklärst den Unterschied zwischen der ReLU- und Softmax-Aktivierungsfunktion Du berechnest die Anzahl der Modellparameter für einzelne Layer
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
15:03
15Feger, MarcIn diesem Video lernst du den CIFAR-10 Datensatz kennen. Er besteht genau wie MNIST aus Bildern, die in 10 Klassen eingeteilt sind. Die Bilder sind etwas größer als bei MNIST und in Farbe. Wir schauen uns den Aufbau eines CNN mit Convolutional und Fully-Connected Layers an und interpretieren deren Parameter und Dimensionen. Anschließend trainieren, validieren und testen wir das CNN mit CIFAR-10. Lernziele: Du beschreibst den CIFAR-10 Datensatz und den Aufbau von Farbbildern Du erklärst den Aufbau eines CNN und fügst Layers mit "models.Sequential.add" hinzu Du berechnest die Parameter und Dimensionen von verschiedenen Schichten eines CNN Du trainierst und testest ein CNN
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
11:00
23Grah, JoanaIn diesem Video beschäftigen wir uns mit der Bildverarbeitung im Kontext von Deep Learning. Nach einer kleinen Wiederholung zu digitalen Bildern stellen wir Kanten als wichtige Features von Bildern heraus und erfahren, wie Ableitungen dabei helfen können, sie zu detektieren. Danach lernen wir Faltungen kennen und sehen anhand von Beispielen, wie Bilder mit sogenannten Filtern gefaltet werden können, um wichtige Features zu erkennen. Diese spielen bei Convolutional Neural Networks (CNNs) eine zentrale Rolle, wie wir im Anschluss sehen werden. Lernziele: Du erklärst, wie ein Bild digital im Computer gespeichert ist Du nennst Bildkanten als wichtige Charakterisierung von Bildern Du nennst die Bildableitung als Indikator für Bildkanten und erläuterst sie Du erklärst das Prinzip der (diskreten) Faltung eines Bildes mit einem Filter anhand eines Beispiels Du erläuterst Eigenschaften eines Convolutional Neural Networks, insbesondere die Rolle der Filter
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
09:31
33Grah, JoanaIn diesem Video schauen wir uns den Aufbau der Verlustfunktion oder Loss Function genauer an, wiederholen was eigentlich nochmal ein Gradient ist und bekommen eine Intuition dafür, wie die Optimierung eines neuronalen Netzwerkes funktioniert. Außerdem werfen wir einen etwas genaueren Blick auf den Trainingsprozess und lernen Kriterien dafür kennen, wann man ihn am besten stoppt. Lernziele: Du erklärst die Interpretation der Verlustfunktion, z.B. anhand des Klassifikationsproblems in Hunde- und Katzenbilder beim Überwachten Lernen Du erklärst, aus welchen Komponenten der Gradient einer Funktion besteht Du beschreibst die Intuition hinter der Optimierungsmethode des (Stochastischen) Gradientenabstiegs Du erläuterst den Ablauf des Trainings grob Du gibst Beispiele für Stopp-Kriterien des Trainings
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
04:41
30Grah, JoanaIn diesem Video fokussieren wir uns auf neuronale Netzwerke. Zum Einstieg wiederholen wir kurz, warum künstliche von biologischen neuronalen Netzwerken inspiriert sind. Wir schauen uns an, wie sich ein Neuron mit Hilfe von Weights, Bias und Aktivierungsfunktion berechnet. Lernziele: Du nennst Gemeinsamkeiten und Unterschiede von biologischen und künstlichen neuronalen Netzwerken Du beschreibst die Berechnung des Wertes eines Neurons in einem Hidden Layer aus dem vorhergehenden Layer (mit den Begriffen "Weight", "Bias" und "Aktivierungsfunktion") und führst sie durch Du erläuterst die Funktionsweise der ReLU-Aktivierungsfunktion
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
11:49
31Grah, JoanaIn diesem Video lernst du die beiden Websites Know Your Data und TensorFlow Playground kennen. Mit Know Your Data kannst du eine Vielzahl an typischen Datensätzen, die von TensorFlow unterstützt werden, erkunden. Du bekommst einen Eindruck davon, wie die Daten tatsächlich aussehen, und kannst dir Statistiken und Metadaten anzeigen lassen sowie die Daten gruppieren. Der TensorFlow Playground bietet dir eine Gelegenheit, dich im Training eines Neuronalen Netzwerkes auszuprobieren, verschiedene Parameter zu verstellen und in Echtzeit zu beobachten, wie das den Trainingsprozess und die Vorhersage beeinflusst. Lernziele: Du benutzt Know Your Data, um verschiedene Datensätze zu explorieren Du erhältst durch den TensorFlow Playground eine bessere Intuition dafür, wie ein Neuronales Netzwerk und das Training funktionieren
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
05:49
39Grah, JoanaIn diesem Video geht es intensiver um das Überwachte Lernen. Wir schauen uns an, wie beim so genannten Training aus Input-Output-Paaren gelernt wird, wie uns Qualitätsmaße helfen zu beurteilen, ob ein Training gut funktioniert, und warum es wichtig ist, den zugrundeliegenden Datensatz in Trainings-, Validierungs- und Testdaten aufzuteilen. Lernziele: Du benennst das Ziel und den groben Ablauf des Überwachten Lernens Du nennst Beispiele für Input-Output-Paare im Überwachten Lernen Du ordnest den Begriff Training im Rahmen des Überwachten Lernens ein und erläuterst ihn Du beschreibst, wie Qualitätsmaße im Überwachten Lernen zur Quantifizierung eines erfolgreichen Trainings eingesetzt werden Du nennst Beispiele für Qualitätsmaße Du erläuterst die Aufteilung in Trainings-, Validierungs- und Testdaten beim Training, begründest sie und stellst ihre Notwendigkeit und Wichtigkeit heraus
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
09:59
18Grah, JoanaIn diesem Video widmen wir uns zunächst noch einmal dem arithmetischen Mittelwert und dem Median und veranschaulichen anhand von Beispielen, wann welche von diesen statistischen Kennzahlen sinnvoll eingesetzt werden kann. Dann illustrieren wir, warum wir häufiger Autos und seltener Ziegen gewinnen können, wenn wir Wahrscheinlichkeiten richtig verstehen und berechnen. Außerdem zeigen wir am Beispiel eines Experiments, warum es so wichtig ist, sich immer mit den Daten, die man analysieren möchte, zu beschäftigen, sich diese gründlich anzuschauen und beim wissenschaftlichen Arbeiten nicht immer völlig hypothesengeleitet vorzugehen. Lernziele: Du erläuterst anhand von Beispielen, in welchen Fällen der arithmetische Mittelwert bzw. der Median als statistische Kennzahlen sinnvoll sind Du erklärst das „Ziegenproblem“ Du erklärst das Phänomen der selektiven Aufmerksamkeit im Zusammenhang mit wissenschaftlichem Arbeiten Du erläuterst, warum es wichtig ist, sich Daten, die man analysieren möchte, genau anzuschauen (bzw. überhaupt anzuschauen) und sich nicht völlig auf hypothesengesteuertes wissenschaftliches Arbeiten zu versteifen
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
10:12
171Grah, JoanaIn diesem Video lernst du, wie Künstliche Intelligenz, Maschinelles Lernen und Deep Learning zusammenhängen. Nachdem du Künstliche Intelligenz bereits definieren kannst, erfährst du in diesem Video auch, was sich hinter Maschinellem Lernen und Deep Learning verbirgt. Lernziele: Du definierst zusätzlich zum schon bekannten Begriff "Künstliche Intelligenz" die Begriffe "Maschinelles Lernen" und "Deep Learning" Du differenzierst die drei Begriffe und erläuterst Zusammenhänge Du hinterfragst Definitionen kritisch Du erläuterst die Begriffe "Reinforcement Learning" und "Algorithmus" Du erklärst den Unterschied zwischen "Supervised Learning" und "Unsupervised Learning" Du erläuterst die Funktionalität eines neuronalen Netzwerkes
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
01:25
43Grah, JoanaIn diesem Video lernst du etwas über den Ursprung und die historische Entwicklung der Künstlichen Intelligenz - von der ersten Programmiererin Ada Lovelace über den KI-Pionier Alan Turing bis hin zur jüngeren Geschichte und den verschiedenen Hochs und Tiefs der KI-Forschung. Lernziele: Du beschreibst den Ursprung und die historische Entwicklung von Künstlicher Intelligenz Du ordnest so genannte "KI-Booms" und "KI-Winter" grob zeitgeschichtlich ein und beschreibst sie Du identifizierst Ada Lovelace als erste Programmiererin Du identifizierst Alan Turing als KI-Pionier Du beschreibst die grobe Funktionsweise des Turing Tests
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
03:06
85Grah, JoanaIn diesem Video lernst du etwas über den Ursprung und die historische Entwicklung der Künstlichen Intelligenz - von der ersten Programmiererin Ada Lovelace über den KI-Pionier Alan Turing bis hin zur jüngeren Geschichte und den verschiedenen Hochs und Tiefs der KI-Forschung. Lernziele: Du beschreibst den Ursprung und die historische Entwicklung von Künstlicher Intelligenz Du ordnest so genannte "KI-Booms" und "KI-Winter" grob zeitgeschichtlich ein und beschreibst sie Du identifizierst Ada Lovelace als erste Programmiererin Du identifizierst Alan Turing als KI-Pionier Du beschreibst die grobe Funktionsweise des Turing Tests
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
05:23
129Grah, JoanaIn diesem Video stellen wir Definitionen für "Künstliche Intelligenz" vor und hinterfragen sie kritisch. Außerdem beschreiben wir die Vorstellung von KI in Filmen/Literatur, in journalistischen Nachrichten-Medien und in der deutschen Bevölkerung und welche alternativen Bilder von KI es gibt. Wir lernen den Unterschied zwischen starker und schwacher KI und einige Beispiele dafür kennen. Lernziele: Du definierst den Begriff "Künstliche Intelligenz" Du hinterfragst Definitionen kritisch Du beschreibst das vorherrschende Bild von Künstlicher Intelligenz in Filmen/Literatur Du beschreibst das vorherrschende Bild von Künstlicher Intelligenz in den (journalistischen) Medien Du beschreibst das vorherrschende Bild von Künstlicher Intelligenz in der deutschen Bevölkerung Du erläuterst den Unterschied zwischen starker und schwacher KI
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
18:30
60Grah, JoanaIn diesem Video geht es um die Generierung von Bildern und von Texten mit Hilfe von KI. Wir schauen uns die Funktionsweisen von drei generativen Modellen für Bilder an: Variational Autoencoders (VAEs), Generative Adversarial Networks (GANs) und Stable Diffusion. Zudem interviewen wir einen Experten für Language Models im Natural Language Processing zu ChatGPT und den damit einhergehenden Chancen und Risiken. Lernziele: Du erklärst das grobe Konzept von Autoencoders und Variational Autoencoders Du erklärst das grobe Konzept von Generative Adversarial Networks Du ordnest das grobe Konzept von Stable Diffusion ein Du erläuterst das grobe Konzept von ChatGPT und die dazugehörigen Chancen und Risiken
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
16:31
78Heck, AnnikaIn diesem Video stellen wir das Recht auf informationelle Selbstbestimmung und seine Entstehungsgeschichte vor. Wir diskutieren Anwendungsfälle und erläutern, was dieses Recht mit KI zu tun hat. Lernziele: Du erläuterst die Entstehungsgeschichte des Rechts auf informationelle Selbstbestimmung Du nennst die rechtlichen Grundlagen des Rechts auf informationelle Selbstbestimmung Du stellst eine Verknüpfung des Rechts auf informationelle Selbstbestimmung und KI her
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
09:21
19Himmelspach, LudmilaIn diesem Video lernst du, wie du ein Random Forest Modell in Python mit dem Modul Scikit-learn erstellen kannst. Du siehst, wie der Random Forest mit dem Wine Recognition Datensatz für die Klassifikation trainiert und evaluiert wird. Außerdem erfährst du, welche Parameter des Modells einen Einfluss auf die Klassifikationsgüte haben. Lernziele: Du erstellst ein Random Forest-Klassifikationsmodell für einen gegebenen Datensatz Du benennst die Parameter des Random Forest-Modells, die einen großen Einfluss auf die Klassifikationsgüte haben Du nutzt ein trainiertes Random Forest-Modell, um für Beobachtungen der Testmenge die Klasse zu prognostizieren Du bewertest die Güte eines Random Forest-Modells mit Accuracy
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
13:28
21Himmelspach, LudmilaIn diesem Video wird dir gezeigt, wie du in Python mit dem Modul Scikit-learn ein Entscheidungsbaummodell erstellen kannst. Mithilfe des Wine Recognition Datensatzes wird dieses Modell dann für die Klassifizierung von Wein trainiert und anschließend evaluiert. Außerdem lernst du, den entstandenen Entscheidungsbaum grafisch darzustellen. Lernziele: Du erstellst ein Entscheidungsbaummodell für einen gegebenen Datensatz Du nutzt ein trainiertes Entscheidungsbaummodell, um für Beobachtungen der Testmenge die Klasse zu prognostizieren Du bewertest die Güte eines Klassifikationsmodells mit Accuracy Du stellst einen Entscheidungsbaum und die Entscheidungsregeln grafisch dar
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
03:41
14Himmelspach, LudmilaIn diesem Video erfährst du, was genau wir eigentlich unter Programmierung verstehen. Du lernst, was ein Interpreter ist und welche Rolle dieser beim Programmieren einnimmt. Lernziele: Du erklärst, was Programmieren bedeutet Du erklärst, wofür ein Interpreter benötigt wird
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
13:56
102Himmelspach, LudmilaIn diesem Video bekommst du einen Überblick darüber, wie du mit Jupyter Notebooks programmieren kannst. Du siehst ein erstes Python-Programm und lernst, Sätze auszugeben, sowie deinen Programmcode in Python zu kommentieren. Lernziele: Du erklärst die wichtigsten Funktionalitäten von Jupyter Notebooks Du schreibst in einem Jupyter Notebook ein einfaches Python-Programm und führst es aus Du erklärst, was die print()-Anweisung in Python bewirkt Du erklärst, was Kommentare sind und wie diese im Programmcode eingefügt werden können
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
11:01
20Himmelspach, LudmilaIn diesem Video tauchst du auch beim Programmieren in die Statistik ein. Du lernst, wichtige statistische Kennzahlen in Python zu berechnen. Dafür benutzt du neben NumPy auch das Modul SciPy, was ebenfalls für wissenschaftliche Berechnungen genutzt werden kann. Lernziele: Du berechnest statistische Kennzahlen (Minimal-, Maximal-, Mittelwert, Median, Modus) für ndarrays mit den Funktionen der Module SciPy und NumPy
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
18:18
20Himmelspach, LudmilaIn diesem Video geht es um die Programmierung von Listen in Python. Du lernst, Listen zu erstellen und ihr Elemente hinzuzufügen, zu ersetzen und zu löschen. Außerdem wird dir erklärt, was Indizes sind und wie du mit ihnen auf Listenelemente zugreifen kannst. Lernziele: Du erzeugst eine Liste in Python und fügst ihr Elemente hinzu Du greifst auf Elemente einer Liste zu und gibst diese aus Du ersetzt und löschst Elemente innerhalb einer Liste Du prüfst die Zugehörigkeit von Elementen zu einer Liste Du verkettest Listen
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
05:19
7Himmelspach, LudmilaIn diesem Video beschäftigst du dich mit Listen in Python. Du lernst ihre Eigenschaften und ihren Aufbau kennen. Lernziele: Du definierst Listen Du erklärst, wie eine Liste in Python aufgebaut ist
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
03:48
12Himmelspach, LudmilaIn diesem Video lernst du Variablen kennen und siehst, was genau sie eigentlich mit Umzugskisten zu tun haben. Du erfährst, was Datentypen sind und wie Operationen Variablen und Datentypen ändern können. Lernziele: Du erklärst, was eine Variable ist Du erklärst, wie der Datentyp in Python bestimmt wird
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
12:11
31Klusik-Eckert, JacquelineIn diesem Video über die automatische Bildverarbeitung erhältst du einen Überblick über unterschiedliche Anwendungsszenarien. Lernziele: Du verschaffst dir eine Übersicht über verschiedene Anwendungen von KI in der Bildverarbeitung Du verstehst die Vorteile und Limitationen von KI-basierten Lösungen im Vergleich mit traditionellen Methoden Du erkennst die Notwendigkeit der ethischen und datenschutzrechtlichen Aspekte des Einsatzes von KI in der Bildverarbeitung Du weißt um die Sensibilisierung für Biases durch Trainingsdaten Das Transkript zu dem Video findest du oben unter “Zusätzliches Material herunterladen” als “Lesematerial”.
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
12:13
35Müller, AndreasIn diesem Video sollen die wichtigsten Aspekte der rechtlichen Herausforderungen der KI auf nationaler und europäischer Ebene dargestellt werden. Zunächst diskutieren wir die Berührungspunkte von Recht und KI in den drei Bereichen des Zivilrechts, des Strafrechts und des Öffentlichen Rechts. Außerdem wird die Zulässigkeit der Letztentscheidung durch KI thematisiert. Wir fragen, ob ethische Erwägungen als "roter Faden" für die rechtliche Einhegung von KI dienen können. Schließlich stellen wir den risikobasierten Ansatz des "AI Acts" - ein Entwurf einer KI-Verordnung der Europäischen Union - zur Regulierung von KI vor. Lernziele: Du zählst die vielfältigen Berührungspunkte von KI und Recht inkl. der verschiedenen Rechtsbereiche auf Du benennst die typischen rechtlichen Herausforderungen beim praktischen Einsatz von KI Du stellst die regulatorischen Hintergründe und Prinzipien insb. hinsichtlich des KI-VO-E dar Du stellst die Chancen und Risiken der Heraushebung ethischer Grundlagen bei der Regulierung von KI gegenüber
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
14:42
17Klusik-Eckert, JacquelineIn dem Interview mit Stefan Reiners-Selbach geht es um das Clustering als Methode in den Geisteswissenschaften. Lernziele: Du erhältst Wissen über den Einsatz von Clustering als Methoden in den Geisteswissenschaften Du lernst unterschiedliche methodische Ansätze für den Einsatz von Clustering kennen Du lernst eines der möglichen Szenarios für den Einsatz von Clustering in den Geisteswissenschaften kennen Das Transkript zu dem Video findest du oben unter “Zusätzliches Material herunterladen” als “Lesematerial”.
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
11:10
73Klusik-Eckert, JacquelineDie Technologie der Künstlichen Intelligenz kann auch missbraucht werden. In dieser Woche schauen wir uns am Beispiel eines Einsatzgebietes einmal an, welche Schattenseiten es geben kann. Lernziele: Du sollst für den Missbrauch von KI und die Auswirkungen sensibilisiert werden In diesem Zusammenhang lernst Du die Definition von Deepfake kennen Du kannst zwischen unterschiedlichen Varianten differenzieren. Du verstehst das moralische und ethische Dilemma, das mit dieser Technologie verbunden ist Du kennst Kriterien, anhand derer man Deepfakes in Videos erkennt
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
09:42
276Klusik-Eckert, JacquelineKünstliche Intelligenz hat mir dir nichts zu tun? Das stimmt so nicht, denn KI ist irgenwie überall. In dem Video zeigen wir dir, wie oft man im Alltag mit unterschiedlichen Verfahren der Künstlichen Intelligenz in Berührung kommt. Lernziele: Du erhältst ein Bewusstsein darüber, wie alltäglich der Kontakt mit KI ist Du wirst für eine Begriffsschärfung zwischen KI Methoden, KI Anwendungen und KI Verfahren, Modelle sensibilisiert Du lernst über die Medienkritik einen besseren Umgang mit Schlagworten
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
19:47
65Klusik-Eckert, JacquelineIn diesem Video lernst du mögliche Anwendungsszenarien für Generative Modelle kennen. Du erhältst einen Überblick über verschiedene Einsatzszenarien. Zum Abschluss konzentrieren wir uns noch auf die Risiken und Herausforderungen, die diese Technik mit sich bringt. Lernziele: Du erhältst ein Verständnis über den Medienaspekt der Ergebnisse von Generativen Modellen Du lernst die potenziellen Einsatzszenarien der Modelle für Text und Bild kennen Du entwickelst ein Gespür für die Herausforderungen Du gewinnst ein Bewusstsein über die aktuellen und zukünftigen Debatten Das Transkript zu dem Video findest du oben unter “Zusätzliches Material herunterladen” als “Lesematerial”.
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
05:34
21Stein, Anna SophiaIn diesem Video schauen wir uns zwei konkrete Anwendungsbeispiele für den K-Nearest-Neighbours-Algorithmus an - eines aus der Linguistik und ein Weiteres, das einen kommerziellen Nutzen von KNN herausstellt. Lernziele: Du benennst konkrete Anwendungsbeispiele für KNN
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
08:31
18Theune, KatjaIn diesem Video beschreiben wir, was eigentlich eine Klassifikation ist. Zudem stellen wir ein einfaches Klassifikations-Verfahren aus dem supervised learning vor, das k-nearest neighbours Verfahren. Anhand eines Beispiels lernen wir die Idee und Vorgehensweise dieses Verfahrens kennen. Lernziele: Du definierst, was eine Klassifikation ist Du erläuterst die Idee und Vorgehensweise des k-nearest neighbours Verfahren Du wendest die Vorgehensweise des Verfahrens auf ein neues Beispiel an Du nennst Beispiele, wozu man das k-nearest neighbours Verfahren verwendet
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.
09:31
28Theune, KatjaIn diesem Video beschreiben wir, was eigentlich eine Regression ist. Zudem stellen wir zwei beliebte Regressions-Verfahren aus dem supervised learning vor, die lineare und die logistische Regression. Anhand eines Beispiels lernen wir die Idee und Vorgehensweise dieser Verfahren kennen. Lernziele: Du definierst, was eine Regression ist Du erläuterst die Idee und Vorgehensweise der linearen und logistischen Regression Du wendest die Vorgehensweise der Verfahren auf ein neues Beispiel an Du nennst Beispiele, wozu man eine lineare und logistische Regression verwendet
2023Heine Center for Artificial Intelligence and Data Science (HeiCAD) et al.