FDAK Machine Learning

INHALT

Machine Learning wird vermehrt von Studierenden und Industrie nachgefragt, und findet nach und nach auch in den Curricula seinen festen Platz. Die Verfügbarkeit von hochentwickelten Toolkits erlaubt es, die Themen Software Engineering, Softwarearchitektur und Machine Learning für angewandte Studiengänge zu kombinieren und auch insbesondere interdisziplinäre Projekte über Fakultäten und Studiengänge hinweg durchzuführen.

Wir als Lehrende müssen nun einen Spagat zwischen den mathematisch oft sehr anspruchsvollen Grundlagen und der oberflächlich einfach wirkenden Anwendung von Toolkits wie Scikit Learn, Tensorflow oder PyTorch schaffen. Wie tief steigt man in die Theorie ein, welche Toolkits sind am besten geeignet? Wie sehen die Problemstellungen aus?

Dieses Mal wollen wir einen Schwerpunkt auf die Verwendung von Foundation Models legen, insbesondere für Bild, Text und Sprache. Wie kann man diese in Übungsaufgaben gut einbinden, und wie kann man diese mit Inferenzservern mit Ressourcen des eigenen oder angebundenen Rechenzentrums bereitstellen?
Als Diskussionsgrundlage stellen wir eine Lösung vor, die an der TH Nürnberg in Zusammenarbeit mit dem Regionalen Rechenzentrum Erlangen (FAU) entwickelt wird.

SIE ALS TEILNEHMENDE

• vernetzen sich mit Kolleginnen und Kollegen von anderen Hochschulen.
• berichten über Ihre Erfahrungen im Lehrgebiet Maschinelles Lernen.
• diskutieren über didaktische Konzepte dafür.
• tauschen sich zu technischen Rahmenbedingungen und Notwendigkeiten aus.