Das Thema AI ist derzeit recht prominent und einen genaueren Blick wert.
Ausstellungsschiff MS Wissenschaft
Das Wissenschaftsjahr 2019 befasst sich mit Künstlicher Intelligenz, s.a. diese Webseite: https://www.wissenschaftsjahr.de/2019/
Im Rahmen des Themas gibt es verschiedene Angebote, darunter das Frachtschiff MS Wissenschaft, welches kürzlich für einige Tage in Mannheim Station machte. Einen Urlaubstag habe ich u.a. dafür genutzt, mir vormittags im Rahmen einer Führung die dortige Ausstellung „Künstliche Intelligenz“ anzuschauen. Erstaunt war ich über das Publikum mit recht hohem Altersdurchschnitt – das war an den Mitmach-Stationen anders, denn diese waren von Kindern/Jugendlichen umlagert. Trotz des Lärmpegels gab es einen guten Überblick über die wesentlichsten Stichworte: Geschichte AI, Definitionen starke/schwache AI, Mustererkennung und Neuronale Netze, Anwendungsmöglichkeiten und ethische Fragen.
In einem virtuellen Rundgang kann man vorab erfahren, welche (Mitmach-)Stationen es gibt: https://ms-wissenschaft.de/ausstellung/rundgang/ und hier auch noch die Route mit den nächsten Stationen des Schiffs sehen: https://ms-wissenschaft.de/ausstellung/tour-2019/
Kurs „Elements of AI“
Einen tieferen Einblick (schon aufgrund der längeren Beschäftigung mit dem Thema AI) bietet der sehr gute kostenlose finnische Selbstlern-Online-Kurs „Elements of AI“, der auf 6 Kapitel (Wochen) angelegt ist.
Die Inhalte umfassen: 1 What is AI? / 2 AI problem solving / 3 Real World AI / 4 Machine Learning / 5 Neural Networks / 6 Implications
Anhand von 25 Aufgaben & Übungen, 5 davon in Peer Review, gibt es erhellende und spannende Praxisbeispiele, die man so schnell nicht vergisst (siehe unten).
Kritische Aspekte von AI (wie z.B. algorithmic bias, fraud & real-looking falsehoods, regulations for privacy) können auch innerhalb von Peer Review Freitext-Aufgaben zu „Filter Bubbles“ oder „AI in your work/private life – positive/negative implications“ thematisiert werden.
Einige Stichworte zu den Begrifflichkeiten und Kurs-Aufgaben:
- „Bayes rule: It can be used to weigh conflicting pieces of evidence in medicine, in a court of law, and in many (if not all) scientific disciplines.“ (Quelle: chapter 3/2)
- „The Bayes classifier is a machine learning technique that can be used to classify objects such as text documents into two or more classes. The classifier is trained by analyzing a set of training data, for which the correct classes are given.“ (Quelle: chapter 3/3)
- Using nearest neighbors to predict user behavior: „The idea is to use the very simple principle that users with similar past behavior tend to have similar future behavior.“ (Quelle: chapter 4/2)
Spannende Anwendungsübungen umfassten u.a.:
- „Minimax algorithm“ and limited-size game trees anhand von Tic-Tac-Toe
- Dealing with uncertainty: „Odds and probability“ des Wetters in Helsinki sowie fiktiver Wahrscheinlichkeitsberechnungen einer Krebserkrankung anhand der „Bayes formula“ posterior odds = likelihood ratio × prior odds
- „Naive Bayes classification“ angewendet auf Beispiel eines Spam-Filters
- „Nearest Neighbor Classifier“ für recommendations systems auf Basis der Kaufhistorie
- „Neural Network Classifier“ als classifier für Smiley-Ausdrücke (assigning weights -1 or +1 to input pixels)
Und hier noch der Link zu meinem Kurs-Zertifikat (University of Helsinki & Reaktor): https://certificates.mooc.fi/validate/lqdszv230w