AGNES -
Lehre und Prüfung online
Studierende in Vorlesung
Anmelden

Trustworthy Machine Learning - Detailseite

  • Funktionen:
Grunddaten
Veranstaltungsart Vorlesung Veranstaltungsnummer 3313071
Semester WiSe 2022/23 SWS 2
Rhythmus Moodle-Link  
Veranstaltungsstatus Freigegeben für Vorlesungsverzeichnis  Freigegeben  Sprache englisch
Belegungsfrist Es findet keine Online-Belegung über AGNES statt!
Veranstaltungsformat Keine Angabe

Termine

Gruppe 1
Tag Zeit Rhythmus Dauer Raum Gebäude Raum-
plan
Lehrperson Status Bemerkung fällt aus am Max. Teilnehmer/-innen
Mi. 11:00 bis 13:00 wöch 0313 (Hörsaal)
Stockwerk: EG


alttext alttext
RudCh26-Modul 1 Erwin-Schrödinger-Zentrum - Rudower Chaussee 26 (RUD26)

Außenbereich nutzbar Innenbereich nutzbar Parkplatz vorhanden Leitsystem im Außenbereich Barrierearmes WC vorhanden Barrierearme Anreise mit ÖPNV möglich
Zehlike findet statt     1000
Gruppe 1:
 


Zugeordnete Person
Zugeordnete Person Zuständigkeit
Zehlike, Meike
Studiengänge
Abschluss Studiengang LP Semester
Master of Education (BS)  Informatik 2. Fach ( Vertiefung: mit LA-Option; POVersion: 2015 )   -  
Master of Education (GYM)  Informatik 2. Fach ( Vertiefung: mit LA-Option; POVersion: 2015 )   -  
Master of Education (ISG)  Informatik 1. Fach ( Vertiefung: mit LA-Option; POVersion: 2018 )   -  
Master of Education (ISG)  Informatik 2. Fach ( Vertiefung: mit LA-Option; POVersion: 2018 )   -  
Master of Science  Informatik Hauptfach ( Vertiefung: kein LA; POVersion: 2015 )   -  
Master of Science  Wirtschaftsinformatik Hauptfach ( Vertiefung: kein LA; POVersion: 2016 )   -  
Zuordnung zu Einrichtungen
Einrichtung
Mathematisch-Naturwissenschaftliche Fakultät, Institut für Informatik
Inhalt
Kommentar

Accuracy is not enough when you’re developing machine learning systems for consequential application domains. You also need to make sure that your models are fair, have not been tampered with, will not fall apart in different conditions, and can be understood by people. Your design and development process has to be transparent and inclusive. You don’t want the systems you create to be harmful, but to help people flourish in ways they consent to. All of these considerations beyond accuracy that make machine learning safe, responsible, and worthy of our trust have been described by many experts as the biggest challenge of the next five years. This course will equip you with the thought process to meet this challenge.


The course focuses on three key issues in machine learning, addressed from an ethical, legal, and technological perspective:
1. Personal data processing: privacy, confidentiality, surveillance, recourse, data collection, and power differentials
2. Data-driven decision support: biases and transparency in data processing, data-rich communication, and data visualization
3. Automated decision making: conceptualizations of power and discrimination in scenarios with different degrees of automation.

We will spend about half of the course studying computing technologies for, e.g., anonymizing data, or detecting and mitigating algorithmic bias. The other half of the course we will study different conceptualizations of power around data processing pipelines, analyze bias and discrimination in computer systems from a moral philosophy perspective, and overview the relevant legal frameworks for data processing.

Bemerkung

Es ist geplant, die Vorlesungstermine überwiegend online durchzuführen. Evtl. werden diese aufgezeichnet und diese Aufzeichnungen beim Arbeitgeber der Dozentin intern zugänglich gemacht. Ob eine Aufzeichnung erfolgt, darüber informiert die Dozentin zu Beginn der Veranstaltung.

Strukturbaum

Keine Einordnung ins Vorlesungsverzeichnis vorhanden. Veranstaltung ist aus dem Semester WiSe 2022/23. Aktuelles Semester: WiSe 2024/25.
Humboldt-Universität zu Berlin | Unter den Linden 6 | D-10099 Berlin