Inhalt des Fachs

Im Wahlpflichtfach Machine Learning lernten die Student*innen die Funktionsweise von Deep-Learning-Modellen und deren Einsatzmöglichkeiten kennen. In drei Hacking-Workshops programmierten sie prototypische Machine-Learning-Anwendungen für Video-Konferenzen, IoT-Steuerung und Business-Kommunikation.

Lernziele

• Grundverständnis der Funktionsweise Neuronaler Netze
• Überblick über den State-of-the-Art im Machine Learning, Deep Learning und Künstlicher Intelligenz
• Realisierung von Machine-Learning-Prototypen in Web-Apps, in lokalen Installationen und in der Cloud
• Praktischer Umgang mit Frameworks wie ML5.js, Wekinator und RunwayML
• Fähigkeit ein Neurales Netz für einen bestimmten Zweck mit Hilfe eines eigenen Datensatzes zu trainieren

Workshops

Im Zoom-Hacking-Workshop entwickelten die Student*innen Machine-Learning-Tools für das Videokonferenz-Tool Zoom.
Mit ML5.js -Programmen konnten sie Bild und Ton im Browser durch Machine-Learning-Algorithmen direkt verarbeiten. Die Verbindung zwischen den Web-Apps und Zoom realisierten sie durch Virtuelle-Kamera-Software und Audio-Routing Software.

Im IoT-Hacking-Workshop entwickelten die Student*innen lokale IoT-Setups mithilfe der grafischen Programmierumgebung Node-RED. Die Messwerte der Sensoren schickten sie via OSC-Protokoll an das Machine-Learning-Tool Wekinator, das dann wiederum per OSC die Aktuatoren ansteuerte. Aufgrund der Corona-Situation kam auch das MQTT-Protokoll zum Einsatz um die geografisch verteilten Setups zu verbinden.

Im Slack-Hacking-Workshop ging es darum, einen Slack-Bot zu entwickeln, der die Business-Kommunikations-Plattform Slack um Machine-Learning-Aspekte erweitert. Für die Realisierung des Slack-Bots nutzen dieStudent*innen alternativ node.js oder Node-RED. Für das Machine-Learning integrierten sie verschiedenste Cloud-Dienste wie Runway.ML.