Archives

IT-Sicherheit ist ein hochkomplexes Teilthema der Informatik, hat aber inzwischen eine große Relevanz für Anwenderinnen und Anwender bekommen, unabhängig von ihrem technischen und beruflichen Hintergrund. Aus dieser Perspektive ist weniger die (software-)technische Bedrohung für die Absicherung von Systemen relevant, sondern die Frage nach der Sicherheit von Daten, Informationen und Geräten einzelner Personen.

Dieser Kurs fokussiert auf den sicheren Umgang mit Deinen Geräten und mit Deinen Daten auf diesen Geräten. Souveräner Umgang mit Daten und Geräten heißt u. a., dass Du Backups machst, Updates einspielst, Dich um Software-Hygiene kümmerst, weißt wie Du Daten verschlüsseln kannst und was Du im Umgang mit Datenspeicher anderer Leute beachten musst.

By now, the use of digital content informs all aspects of everyday life. Thanks to smartphones, laptops and computers, we can be reached at any time. Nevertheless, many functions are only known rudimentarily.
This course wants to teach you, the participants, basic knowledge of current operating systems, of how to work with a file system using the Windows systems as an example, and of how to exchange files and edit them collaboratively.

During this seven-week course, various possibilities for creating and exchanging files will be presented. Different learning techniques will be used:

• Through screencasts and screenshots with quizzes, we will present information via interactive content.
• You will get the chance to link up with other participants, discuss the content and work up ideas together.
• Finally, interactive questions will help you check your learning progress.

In this course you will be introduced to computational learning theory and get a glimpse of other research towards a theory of artificial intelligence.
Our starting point will be a hands-on binary classification task. Basically, this is the challenge of classifying the elements of a given set into two groups (predicting which group each one belongs to) on the basis of given labeled data. Thus the goal of the supervised machine learning algorithms is to derive a correct classification rule. Our interest lies in strategies that work not only for one specific classification task but more universally for a pre-specified set of such. You will get to know a formalization of the aforementioned notions and see illustrating examples. In the main part, you will get to know different learning models which are all based on a modular design. By investigating the learning power of these models and the learnability of the prominent set of half-spaces, we also give arguments for how to choose an appropriate one.

In this T-shaped course you will be introduced to computational learning theory and get a glimpse of other research towards a theory of artificial intelligence. “T-shaped” means that on the one hand we will concentrate on different learning models in depth, on the other hand we want to give a broad overview and invite experts from other AI projects to show what else can be done in AI and theory of computer science research.

The focus is on learning from informant, a formal model for binary classification, for example by a support vector machine or perceptron. Illustrating examples are linear separators and other uniformly decidable sets of formal languages. Due to the learning by enumeration technique by Gold the learning process can be assumed consistent when full-information is available.

After the proofs of the latter observations, the model is adjusted towards the setting of deep learning. We first investigate the learnability of the set of half-spaces by this incremental learners and then show that they have less learning power than the full-information variant by a fundamental proof technique due to Blum and Blum. Finally, we will apply this technique to also separate consistency.

Beyond these models, we present and visualize applied binary classifiers and you will get concentrated insights into other approaches towards a theory of AI and important topics in theoretical computer science. These include evolutionary algorithms, fair clustering, game theory, low-dimensional embeddings, stable matchings, 3-satisfiability and submodular optimization.
Further, more models in Gold-Style computational learning theory are being discussed by experts in the second week.

Hier lernen Jugendliche und andere Interessierte ohne Programmier-Erfahrung und technisches Hintergrund-Wissen, die Welt des maschinellen Lernens und der künstlichen Intelligenz zu verstehen. Wir führen Sie dazu in die grundlegenden Konzepte ein. Dabei erfahren Sie, wo die Unterschiede zwischen herkömmlicher Programmierung und der Entwicklung selbstlernender Software liegen. Anhand von Beispielen erfahren Sie, was überwachtes, nicht überwachtes und verstärkendes Lernen sind. Denn diese Konzepte bilden den Kern für die Algorithmen, welche das maschinelle Lernen bewirken. Erleben Sie anhand einer konkreten Anwendung, wie mit einem solchen Lernprozess Muster und Strukturen in großen Datenmengen erkannt werden können. Auch auf ethische Fragen beim Einsatz künstlicher Intelligenz sowie die Begrenzungen der Technologie maschinellen Lernens wird in dem vierwöchigen Gratis-Kurs eingegangen. Geleitet wird er von den Masterstudenten Johannes Hötter und Christian Warmuth.

Obwohl viel diskutiert, sind neuste Technologien wie künstliche Intelligenz und maschinelles Lernen den meisten noch ein Buch mit sieben Siegeln. Das will unser openHPI-Kurs für Einsteiger ändern. Schülerinnen und Schüler, aber auch interessierte Erwachsene sollen die zugrundeliegenden Konzepte kennen und verstehen lernen. Angesprochen sind alle, die noch keine Programmiererfahrung oder technisches Hintergrundwissen haben. Die Kursleiter Johannes Hötter und Christian Warmuth steigen anschaulich in das Thema ein, indem sie die Unterschiede herausarbeiten, die es zwischen herkömmlichem „Coden“ und der Entwicklung selbstlernender Programme gibt. Erläutert wird an Beispielen, wie überwachtes (supervised), nicht überwachtes (unsupervised) und verstärkendes (reinforcement) Lernen die Algorithmen des „machine learning“ im Kern bestimmen. Dann bekommen die Teilnehmenden an einem konkreten Beispiel überwachten Lernens vorgeführt, wie ein solcher Prozess aussehen kann – einer, der Muster und Strukturen in großen Datenmengen besser erkennen kann als einer mit herkömmlicher Programmierung. Zum Abschluss des vierwöchigen Onlinekurses geht es um Zukunftsperspektiven von Anwendungen künstlicher Intelligenz, um ethische Fragestellungen und um Begrenzungen maschinellen Lernens. Nicht auf dem Lehrplan dieses Kurses steht die eigenhändige Entwicklung selbstlernender Algorithmen und das Erlernen der Programmiersprache Python.