Maschinelles Lernen und künstliche Intelligenz gehören zu den Informatikthemen, die in aller Munde sind und die das Potenzial haben, unser aller Leben zu verändern: sei es in der Kommunikation (automatisierte Spracherkennung und Sprachübersetzung), der Automobilindustrie (autonome Fahrzeuge) oder dem Gesundheitswesen (computer-unterstützte Diagnostik), um nur einige zu nennen.
Die Fakultät Informatik und Mathematik der Ostbayerischen Technischen Hochschule Regensburg (OTH Regensburg) nimmt sich seit einiger Zeit dieser Thematik an und bietet verschiedene Module aus diesem Themenkreis an, sowohl im Bachelor als auch im Master. Zur Ergänzung dieses Angebots wurde in der letzten Septemberwoche 2018 die „Informatik Summer School Machine Learning“ erstmalig veranstaltet.
Theorie, Praxis und industrieller Einsatz
"Ziel dieser Summer School ist es, einen breiten Überblick über die Thematik zu geben. Dabei kommt es uns auf eine ausgewogene Mischung aus Theorie, Praxis und industriellem Einsatz an“, so Prof. Dr. Christoph Palm, von dem die Initiative ausging. Dessen Lehrgebiet der medizinischen Bildverarbeitung erlebt selbst einen tiefgreifenden Umbruch und besteht nun zu einem weit überwiegenden Teil aus den Themen Neuronale Netze und Deep Learning.
Die Veranstaltung wurde von Prof. Dr. Hans Kiesl, Prof. Dr. Christoph Skornia und Prof. Dr. Thomas Wölfl als Dozenten und von Prof. Dr. Christoph Skornia und Prof. Dr. Markus Kucera für die Industriekooperation unterstützt. Als Industrievertreter beteiligten sich die Firmen Splunk, Continental und AVL. Neben Mitarbeiterinnen und Mitarbeitern der Labore IT-Security und ReMIC beteiligte sich das Regensburg Center of Health Sciences and Technology (RCHST) an der Organisation der Veranstaltung. Schließlich sind die Themen künstliche Intelligenz im Gesundheitswesen zusammen mit ethischen Aspekten dort Bestandteil mehrerer aktueller Projekte.
Großes Interesse bei den Studierenden
Das Interesse unter den Studierenden war sehr hoch, die 25 Plätze zur Teilnahme waren innerhalb von einer Stunde belegt. Thematisch reichte das Spektrum von einer Einführung in die mathematischen Grundlagen über Support Vector Machines, Zeitreihenanalyse, Big Data und Deep Learning mit medizinischen Bildern bis hin zum autonomen Fahren. Regelmäßig wechselten sich Theorie und Hands-on-Teile ab. Gerade diese Mischung wurde im abschließenden Feedback von den Teilnehmerinnen und Teilnehmern als besonders motivierend hervorgehoben.
