Künstliche Intelligenz in Arbeitswelt und Gesellschaft: Nachteile verhindern, Chancen nutzen
|
|
- Katja Böhmer
- vor 6 Jahren
- Abrufe
Transkript
1 Künstliche Intelligenz in Arbeitswelt und Gesellschaft: Nachteile verhindern, Chancen nutzen Hendrik Heuer Bildquelle: Wikipedia - Jan Matejkos Stańczyk Digitalisierungskongress 2018 Gemeinwohl in der digital vernetzten Gesellschaft: Wir arbeiten dran!
2 Mein Ziel in diesem Vortrag Algorithmen des Maschinellen Lernens und ihre Konsequenzen für Gemeinwohl und Arbeitswelt verstehen und mitgestalten Wo kann KI durch bessere Prognosen, schnellere Entscheidungen und die Automatisierung von Routineaufgaben dazu beitragen, die Arbeitswelt zu verbessern? Wo bergen neue Möglichkeiten der Vorhersage und automatisierten Überwachung Gefahren für Arbeitswelt und Gesellschaft?
3 Bildquelle: Wikipedia - ENIAC
4 Panopticon Bildquelle: Wikipedia - Presidio Modelo
5 Examples of Machine Learning Beispiele für Maschinelles Lernen & KI Self-driving cars Recommendation systems [public domain] By Steve Jurvetson [CC BY 2.0] Photo search Speech Recognition Speech Recognition and many, many Deep more... How cold is Recurrent Neural Network Acoustic Input it outside? Text Output Reduced word errors by more than 30% Oben: Sebastian Raschka - Practical Data Science, Unten: Jeff Hinton - Google
6 Examples of Machine Learning Beispiele für Maschinelles Lernen & KI Text Recognition Google Photos Search Image Recognition Biology Deep Convolutional Neural Network ocean Automatic Tag Your Photo File:American_book_company_1916._letter_envelope-2.JPG#filelinks [public domain] Search personal photos without tags. Google Research Blog - June 2013 Spam Filtering [CC BY 2.0] Oben: Sebastian Raschka - Practical Data Science, Unten: Jeff Hinton - Google
7 Spam erkennen IMPERATIVE PROGRAMMIERUNG if "V!agrå" in mail: return "Spam" else: return "Ham" MASCHINELLES LERNEN 1. prognostiziere für viele Beispiele, ob Nachricht Spam ist 2. berechne Fehler 3. ändere Parameter, um Fehler zu verringern 4. goto 1
8 Stretch pixels into column Input image W = Cat score Dog score Ship score Figure 2-5. Predictions made by the three-nearest-neighbors model on the forge dataset
9 Brustkrebs erkennen J. Zico Kolter, /688, Practical Data Science
10 Brustkrebs erkennen J. Zico Kolter, /688, Practical Data Science
11 Brustkrebs erkennen Moritz Hardt, How big data is unfair
12 ProPublica: Machine Bias Verbrechen vorhersagen 3 LOW RISK 8 HIGH RISK
13 LOW RISK HIGH RISK X' y'
14 Verbrechen vorhersagen Deutschlandfunk: Algorithmen im US- Justizsystem Schicksalsmaschinen von Tom Schimmeck
15 Paul Butler: Visualizing Friendships "Die Kombination von großen Datenmengen und Machine Learning führt zu Manipulationsmethoden, die die Zukunft von Demokratie und gesellschaftlichem Zusammenhalt gefährden. Dem muss zügig und mit Nachdruck und ohne Scheu vor dem Eingriff in Geschäftsmodelle entgegengetreten werden. Frank Rieger im Bayern 2 Zündfunk
16 Kosinski et al.: Private traits and attributes are predictable from digital records of human behavior Persönlichkeitsmerkmale erkennen Weiße/r oder Afroamerikaner/in: 95% Männlich oder Weiblich: 93% Heterosexuell oder homosexuell: 88% Demokrat oder Republikaner: 85% Christlich oder muslimisch: 82% Drogenerfahrung: 65% - 73% Ehe der Eltern hat bis zum 21. Lebensjahr gehalten: 60%
17 Kosinski et al.: Private traits and attributes are predictable from digital records of human behavior Persönlichkeitsmerkmale erkennen
18 Algorithmen-TÜV?
19 François Chollets Forderungen an ein Algorithmische Nachrichtenkuration das Optimierungsziel des Algorithmus transparent machen zeigen, welchen Einfluss diese System auf den täglichen Nachrichtenkonsum (news diet) haben Werkzeuge bereithalten, um diese Ziele zu beeinflussen
20 Was kann ver.di tun? Austausch zwischen Forschung & Gesellschaft fördern, Expertise aufzubauen individuelle Regulierung maschineller Systeme Untersuchung und Sanktionierung von Datensammel- und Algorithmennutzungspraktiken Informatikkompetenz auf allen Ebenen der Idee, dass jedes soziale oder politische Problem technologisch gelöst werden kann, entgegentreten
21 Welche Fragen, Probleme und Ideen bringt ihr mit?
22 Künstliche Intelligenz in Arbeitswelt und Gesellschaft: Nachteile verhindern, Chancen nutzen Hendrik Heuer ifib & AGIM Dr. Martin Beckmann ver.di-bundesverwaltung
23 Totalüberwachung durch Verschärfung des bayerischen Polizeirechts DVD-Vorstandsmitglied Thilo Weichert: Die Regelung zur Mustererkennung ermöglicht es der Polizei, technisch Menschen aus einer Menschenmenge als verdächtig herauszufischen, nur weil sie als verdächtig programmierte Eigenschaften haben. Damit wird der digitalisierten Willkür und der Diskriminierung von Minderheiten die Tür geöffnet. Dies trifft auch für die Erstellung sog. genetischer Phantombilder zu. Diese Techniken befinden sich noch in einem Entwicklungsstadium, das mehr Fehler als polizeiliche Hilfe produziert. Quelle Text: datenschutzverein.de Bildquelle:
24 Kann eine Brücke rassistisch sein? Langdon Winner Bildquelle: Wikipedia - Erasmusbrücke, Rotterdam
Institut für Künstliche Intelligenz
Institut für Künstliche Intelligenz Prof. Sebstaian Rudolph --- Computational Logic Prof. Steffen Hölldobler --- Wissensverarbeitung Prof. Ivo F. Sbalzarini --- Wissenschaftliches Rechnen für Systembiologie
MehrVon der Entscheidungsunterstützung zur Entscheidungsautomatisierung mit Big Data und Künstlicher Intelligenz
Von der Entscheidungsunterstützung zur Entscheidungsautomatisierung mit Big Data und Künstlicher Intelligenz Dr. Stefan Wess CEO Empolis Information Management, Kaiserslautern Seite 1 Historie der Empolis
MehrKünstliche Intelligenz
1. Juni, 2017 Künstliche Intelligenz Stand der Forschung, Aktuelle Probleme & Herausforderungen Prof. Dr. Roland Kwitt Fachbereich Computerwissenschaften Universität Salzburg Übersicht Begrifflichkeiten
MehrKünstliche Intelligenz
Künstliche Intelligenz Data Mining Approaches for Instrusion Detection Espen Jervidalo WS05/06 KI - WS05/06 - Espen Jervidalo 1 Overview Motivation Ziel IDS (Intrusion Detection System) HIDS NIDS Data
MehrVorlesung. Data und Web Mining. Kurzinformation zur. Univ.-Prof. Dr. Ralph Bergmann. Lehrstuhl für Wirtschaftsinformatik II
Kurzinformation zur Vorlesung Data und Web Mining Univ.-Prof. Dr. Ralph Bergmann www.wi2.uni-trier.de - I - 1 - Die Ausgangssituation (1) Unternehmen und Organisationen haben enorme Datenmengen angesammelt
MehrDie Konvergenz von Mensch und Machine - und was dies für die Zukunft von Gesellschaft und Business bedeutet
www.futuristgerd.com www.gerdtube.com @gleonhard on Twitter Die Konvergenz von Mensch und Machine - und was dies für die Zukunft von Gesellschaft und Business bedeutet Mein neues Buch Technology vs Humanity
MehrBig-Data and Data-driven Business KMUs und Big Data Imagine bits of tomorrow 2015
Big-Data and Data-driven Business KMUs und Big Data Imagine bits of tomorrow 2015 b Wien 08. Juni 2015 Stefanie Lindstaedt, b Know-Center www.know-center.at Know-Center GmbH Know-Center Research Center
MehrLehrangebot. Fachgebiet Informationssysteme Prof. Dr. Norbert Fuhr
Lehrangebot Fachgebiet Informationssysteme Prof. Dr. Norbert Fuhr N. Fuhr, U. Duisburg-Essen Lehrangebot 1 Lehrangebot des FG Informationssysteme Datenbanken Internet-Suchmaschinen Information Retrieval
MehrIndustrie Chance oder Risiko? Martin Botteck Prof. Dr.-Ing. Kommunikationsdienste und -anwendungen
Industrie 4.0 - Chance oder Risiko? Martin Botteck Prof. Dr.-Ing. Kommunikationsdienste und -anwendungen Industrielle Revolution, Version 4.0 Der Kongress im Jahr 2015: Worum geht es überhaupt? Kongress
MehrAutos der Zukunft. Dr. Dominik Herrmann Universität Hamburg. Folien zum Download:
Autos der Zukunft Dr. Dominik Herrmann Universität Hamburg Folien zum Download: http://dhgo.to/autosderzukunft Themen des Vortrags Einblick in die Technik Safety (unbeabsichtigte Ereignisse) Security (beabsichtigte
MehrAutomatisierung / Robotik
Automatisierung / Robotik und Nachhaltigkeit Prof. Dr. Wolfgang Ertel Hochschule Ravensburg-Weingarten B.A.U.M. Jahrestagung, Bonn 9.11.2016 Lernfähige Roboter Künstliche Intelligenz Teppich, Tisch, Tisch
MehrKünstliche Neuronale Netze
Fakultät Informatik, Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Künstliche Neuronale Netze Hauptseminar Martin Knöfel Dresden, 16.11.2017 Gliederung
MehrDer neue Umgang mit Risiken in Zeiten der Ungewissheit. Gerd Gigerenzer
Der intuitive Geist ist ein Geschenk und der rationale Geist ein treuer Diener. Wir haben eine Gesellschaft erschaffen, die den Diener ehrt und das Geschenk vergessen hat. Albert Einstein Those who surrender
MehrMash-Up Personal Learning Environments. Dr. Hendrik Drachsler
Decision Support for Learners in Mash-Up Personal Learning Environments Dr. Hendrik Drachsler Personal Nowadays Environments Blog Reader More Information Providers Social Bookmarking Various Communities
MehrNeue Trends und neue Möglichkeiten der datengetriebenen Versorgungsforschung
Neue Trends und neue Möglichkeiten der datengetriebenen Versorgungsforschung Hamburg 16.11.2016 Nmedia Fotolia Fraunhofer-Institut für Intelligente Analyseund Informationssysteme Fraunhofer IAIS - Wir
MehrLehrangebot. Fachgebiet Informationssysteme Prof. Dr. Norbert Fuhr
Lehrangebot Fachgebiet Informationssysteme Prof. Dr. Norbert Fuhr N. Fuhr, U. Duisburg-Essen Lehrangebot 1 Lehrangebot des FG Informationssysteme Datenbanken Internet-Suchmaschinen Information Retrieval
MehrBig Data und künstliche Intelligenz
Big Data und künstliche Intelligenz Wie Daten gewonnen und ausgewertet werden können. Mittwoch 15. März, 12:30 13:15 Uhr Marcel Bernet Weiterbildung wie ich sie will Definition Der aus dem englischen Sprachraum
MehrAI MADE IN CHINA Dr. Claudia Gruhn und Xingyue Zhu
WIE DEUTSCHE UNTERNEHMEN VON CHINAS KI-OFFENSIVE PROFITIEREN KÖNNEN. AI MADE IN CHINA Dr. Claudia Gruhn und Xingyue Zhu bitkom AI Summit 01.03.2018 THE TIGER IS COMING! Will The Future Of Artificial Intelligence
MehrIntelligente Algorithmen Einführung in die Technologie
Intelligente Algorithmen Einführung in die Technologie Dr. KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Natürlich sprachliche
MehrAccountability in Algorithmic. Decision Making.
Accountability in Algorithmic Decision Making Vural Mert, Larcher Daniel 1. Juni 2016 Zusammenfassung Diese Seminararbeit gibt einen kurzen Überblick über die Algorithmische Entscheidungsfindung, deren
MehrWenn Maschinen lernen zu lernen Mensch- Maschine-Kommunikation zwischen Trial-and-Error und Deep Learning?
Wenn Maschinen lernen zu lernen Mensch- Maschine-Kommunikation zwischen Trial-and-Error und Deep Learning? TA17: Neue Arbeitswelt und Digitalisierung Welche Folgen haben neue Organisationsformen und Technologien?
MehrKünstliche Intelligenz
Künstliche Intelligenz Lernfähige und kreative Maschinen für eine nachhaltige Zukunft Prof. Dr. Wolfgang Ertel Hochschule Ravensburg-Weingarten IfKom Jahrestagung Evang. Akad. Baden Bad Herrenalb, 10.3.2015
MehrBring your own Schufa!
Bring your own Schufa! Jan Schweda Senior Softwareengineer Web & Cloud jan.schweda@conplement.de @jschweda Ziele des Vortrags Die Möglichkeiten von maschinellem Lernen aufzeigen. Azure Machine Learning
MehrMuster für disruptive Geschäftsmodelle bei Dienstleistungen
Dr. Karl Michael Popp www.drkarlpopp.com Muster für disruptive Geschäftsmodelle bei Dienstleistungen 21. Februar 2017 2 AGENDA 12 second introduction Hybride Geschäftsmodelle und BrokerGeschäftsmodelle
MehrETHISCHE ASPEKTE BEIM EINSATZ VON KI, MACHINE LEARNING UND DIGITALISIERTEN PROZESSEN HEUTE UND MORGEN
ETHISCHE ASPEKTE BEIM EINSATZ VON KI, MACHINE LEARNING UND DIGITALISIERTEN PROZESSEN HEUTE UND MORGEN KI als Mitarbeiter und Chef in der zukünftigen Arbeitswelt LEITFADEN DURCH DEN VORTRAG Die Entwicklung
MehrLars Schmidt-Thieme et al., Information Systems and Machine Learning Lab (ISMLL), University of Hildesheim, Germany, 0/13
0/13 Lehrveranstaltungen Wintersemester 2011/2012 WI-Gebiet Anwendungssysteme (teilw.) WI-Gebiet Business Intelligence Informatik-Gebiet KI & Maschinelles Lernen Prof. Dr. Dr. Lars Schmidt-Thieme Information
MehrDaten haben wir reichlich! 25.04.14 The unbelievable Machine Company 1
Daten haben wir reichlich! 25.04.14 The unbelievable Machine Company 1 2.800.000.000.000.000.000.000 Bytes Daten im Jahr 2012* * Wenn jedes Byte einem Buchstaben entspricht und wir 1000 Buchstaben auf
MehrSoftwareprojektpraktikum Maschinelle Übersetzung
Softwareprojektpraktikum Maschinelle Übersetzung Jan-Thorsten Peter, Andreas Guta, Jan Rosendahl max.bleu@i6.informatik.rwth-aachen.de Vorbesprechung 5. Aufgabe 22. Juni 2017 Human Language Technology
MehrWie arbeiten Mensch und künstliche Intelligenz in Zukunft zusammen?
Wie arbeiten Mensch und künstliche Intelligenz in Zukunft zusammen? Prof. Dr.-Ing. Ralph Bruder Vizepräsident für Studium, Lehre und wissenschaftlichen Nachwuchs Leiter des Instituts für Arbeitswissenschaft
MehrSind wir bereit für künstliche Intelligenz?
L A B B a r o m e t e r 04/ 2 0 1 7 Sind wir bereit für künstliche Intelligenz? EINLEITUNG Sehr geehrte Leserin, sehr geehrter Leser, Ich freue mich über Ihr Interesse an unserer Frühjahrsausgabe des LAB
MehrEchtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung , Dr.-Ing. Steffen Herbort, A.R.T. GmbH
Echtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung 26.10.2016, TP 2: Arbeiten von A.R.T. TP2: Tracking und Umfelderkennung Markerloses Tracking texturierte Objekte Umfelderkennung
MehrDigitalisierung. Dematerialisierung. Die Neuverteilung der Welt in Zeiten des digitalen Darwinismus.. Berlin - 23/05/2017
Digitalisierung Dematerialisierung Die Neuverteilung der Welt in Zeiten des digitalen Darwinismus.. Berlin - 23/05/2017 Welche Ausmaße wird die Digitalisierung annehmen? Alles, Alles, Alles, was digitalisiert
MehrComputer Science meets Philosophy the Future of AI
Computer Science meets Philosophy the Future of AI Seminar im Sommersemester 2017 Vorbesprechung, 27.04.2017 INSTITUT FÜR THEORETISCHE INFORMATIK & INSTITUT FÜR PHILOSOPHIE Superintelligence cover, CC-BY-SA
MehrLehrveranstaltungen im Wintersemester 2012/2013
Lehrveranstaltungen im Wintersemester 2012/2013 Information Systems and Machine Learning Lab (ISMLL) Prof. Dr. Dr. Lars Schmidt-Thieme Hildesheim, Juli 2012 1 / 1 Übersicht Praktika Hildesheim, Juli 2012
MehrBachelor- und Masterseminare Komplexe und Intelligente Systeme
Bachelor- und Masterseminare Komplexe und Intelligente Systeme Universität Passau Ablauf Masterseminar 1 2 1. Anmeldung über Stud.IP 2. Besuch der Auftaktveranstaltungen Einführung in Literaturrecherche
MehrSwisscom Dialog Arena In vier Etappen zu neuen Geschäftsmodellen , Michele Savino & Milos Radovic
Swisscom Dialog Arena In vier Etappen zu neuen Geschäftsmodellen 03.11.2016, Michele Savino & Milos Radovic Die Digitale Reise in vier Etappen Physische Assets & Prozesswissen Digitale Assets & Datenveredelung
MehrCreating OpenSocial Gadgets. Bastian Hofmann
Creating OpenSocial Gadgets Bastian Hofmann Agenda Part 1: Theory What is a Gadget? What is OpenSocial? Privacy at VZ-Netzwerke OpenSocial Services OpenSocial without Gadgets - The Rest API Part 2: Practical
MehrEinführung in die Methoden der Künstlichen Intelligenz
Einführung in die Methoden der Künstlichen Intelligenz --- Vorlesung vom 17.4.2007 --- Sommersemester 2007 Prof. Dr. Ingo J. Timm, Andreas D. Lattner Professur für Wirtschaftsinformatik und Simulation
MehrKeine Hexerei, sondern Alltag
AI Trendletter Auch Deep Learning macht den Data Scientist nicht obsolet Keine Hexerei, sondern Alltag Meinung von Dr. Andreas Becks Bei der Beschäftigung mit Begriffen wie Künstliche Intelligenz, Cognitive
MehrExtended Petri Nets for. Systems Biology. LFE Practical Informatics and Bioinformatics. Department Institut für Informatik.
Extended Petri Nets for Systems Biology Selina Sommer LFE Practical Informatics and Bioinformatics Department Institut für Informatik Outline Extended Petri nets for the simulation of network dynamics
MehrSicherheit in der digital vernetzten Gesellschaft. Jaro Krieger-Lamina
Sicherheit in der digital vernetzten Gesellschaft Institut für Technikfolgen-Abschätzung Seit mehr als 20 Jahren Forschung über die Auswirkungen von Technik auf Gesellschaft und gesellschaftliche Praktiken,
MehrMachinelles Lernen. «Eine kleine Einführung» BSI Business Systems Integration AG
Machinelles Lernen «Eine kleine Einführung» @ZimMatthias Matthias Zimmermann BSI Business Systems Integration AG «Welcher Unterschied besteht zum Deep Blue Schachcomputer vor 20 Jahren?» AlphaGo Hardware
MehrAuswertungsbericht Lehrveranstaltungsevaluation an die Lehrenden
Europa-Universität Viadrina Große Scharrnstraße 9 0 Frankfurt (Oder) Europa-Universität Viadrina - Große Scharrnstraße 9-0 Frankfurt (Oder) Sehr geehrter Herr Prof. Dr. Timm Beichelt (PERSÖNLICH) Auswertungsbericht
MehrWas ist, kann und darf Deep Learning? Dr. Beat Tödtli Laboratory for Web Science
Was ist, kann und darf Deep Learning? Dr. Beat Tödtli Laboratory for Web Science 15.12.2017 Suchinteresse 15.12.2017 Was ist, kann und darf Deep Learning? 2 Google Trends für Deep Learning ILSVRC 2012:
MehrKI, Blockchain, Platform Economy Wahn oder Wirklichkeit im Tourismus? ITB Berlin etravel Lab Day März 2018 von
KI, Blockchain, Platform Economy Wahn oder Wirklichkeit im Tourismus? ITB Berlin 2018 - etravel Lab Day 2 08. März 2018 von 13.00-13.30 Uhr 0 Plattformökonomie 1.0 1 Plattformökonomie 2.0 2 80 Mobile IoT
MehrEinführung in die Linguistik, Teil 4
Einführung in die Linguistik, Teil 4 Menschliche Sprachverarbeitung im Rahmen der Kognitionswissenschaft Markus Bader, Frans Plank, Henning Reetz, Björn Wiemer Einführung in die Linguistik, Teil 4 p. 1/19
MehrWortdekodierung. Vorlesungsunterlagen Speech Communication 2, SS Franz Pernkopf/Erhard Rank
Wortdekodierung Vorlesungsunterlagen Speech Communication 2, SS 2004 Franz Pernkopf/Erhard Rank Institute of Signal Processing and Speech Communication University of Technology Graz Inffeldgasse 16c, 8010
MehrSelf-Organisation in Germany s Higher Education IT
EUNIS 2014-06-12 Self-Organisation in Germany s Higher Education IT Hartmut Hotzel ZKI Vice President & Director of IT-Services, Bauhaus-Universität Weimar 1 Self-Organisation in Germany s HE IT 1. Pinpointing
MehrBig Data and Machine Learning
Weiterbildung Big Data and Machine Learning Certificate of Advanced Studies CAS Institut für Informatik Institut für Computerlinguistik Universität Zürich 2018 Seite 1/6 Beschreibung Die Informatik ist
MehrMustererkennung und Klassifikation
Mustererkennung und Klassifikation WS 2007/2008 Fakultät Informatik Technische Informatik Prof. Dr. Matthias Franz mfranz@htwg-konstanz.de www-home.htwg-konstanz.de/~mfranz/heim.html Grundlagen Überblick
MehrEINLADUNG. 8. Hamburger Mediensymposium. Künstliche Intelligenz statt menschlicher Dummheit?
EINLADUNG 8. Hamburger Mediensymposium NEWS Künstliche Intelligenz statt menschlicher Dummheit? Wie die Digitalisierung öffentliche Kommunikation verändert 13. Juni 2017, 13:30 Uhr Mit freundlicher Unterstützung
MehrBig Data Künstliche Intelligenz Und das Ich
Big Data Künstliche Intelligenz Und das Ich Überblick Big data 2 Beispiele David Kriesel: Spiegel Mining Cambridge Analytics: Ocean Diagramm Intelligenz Wie funktioniert das? Neuronale Netze Zukunktsperspektiven/Kaffeesatzleserei
MehrBusiness Intelligence & Machine Learning
AUSFÜLLHILFE: BEWEGEN SIE DEN MAUSZEIGER ÜBER DIE ÜBERSCHRIFTEN. AUSFÜHRLICHE HINWEISE: LEITFADEN MODULBESCHREIBUNG Business Intelligence & Machine Learning Kennnummer Workload Credits/LP Studiensemester
MehrKünstliche Intelligenz. Potential und Anwendung
Künstliche Intelligenz Potential und Anwendung Menschliche Intelligenz Intelligentere Maschinen dank künstlicher Intelligenz Bilder Bilder Texte Sprache Texte Sprache Verstehen von strukturierten und unstrukturierten
MehrFluid-Particle Multiphase Flow Simulations for the Study of Sand Infiltration into Immobile Gravel-Beds
3rd JUQUEEN Porting and Tuning Workshop Jülich, 2-4 February 2015 Fluid-Particle Multiphase Flow Simulations for the Study of Sand Infiltration into Immobile Gravel-Beds Tobias Schruff, Roy M. Frings,
MehrStudents intentions to use wikis in higher education
Students intentions to use wikis in higher education Christian Kummer WI2013, 27.02.2013 Motivation Problem Web 2.0 changed the way that students search for, obtain, and share information Uncertainty about
MehrBig & Smart Data. bernard.bekavac@htwchur.ch
Big & Smart Data Prof. Dr. Bernard Bekavac Schweizerisches Institut für Informationswissenschaft SII Studienleiter Bachelor of Science in Information Science bernard.bekavac@htwchur.ch Quiz An welchem
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Einführungsveranstaltung Überblick Organisation Literatur Inhalt und Ziele der Vorlesung Beispiele aus der Praxis 2 Organisation Vorlesung/Übung + Projektarbeit. 4 Semesterwochenstunden.
MehrInformatik für Mathematiker und Physiker Woche 6. David Sommer
Informatik für Mathematiker und Physiker Woche 6 David Sommer David Sommer October 31, 2017 1 Heute: 1. Rückblick Übungen Woche 5 2. Libraries 3. Referenzen 4. Step-Wise Refinement David Sommer October
MehrIT-Sicherheit. Jun.-Prof. Dr. Gábor Erdélyi. Siegen, 15. November 2016 WS 2016/2017
IT-Sicherheit WS 2016/2017 Jun.-Prof. Dr. Gábor Erdélyi Lehrstuhl für Entscheidungs- und Organisationstheorie, Universität Siegen Siegen, 15. November 2016 Wiederholung Warum IT-Sicherheit? Grundlagen
MehrDisruptiver technologischer Wandel - und was dies für die Zukunft bedeutet
Disruptiver technologischer Wandel - und was dies für die Zukunft bedeutet FuturistGerd.com (ENG) DerFuturist.com (DE) @gleonhard (ENG) @derfuturist (DE) http://en.wikipedia.org/wiki/internet_of_things
MehrHealth Insurance Days Künstliche Intelligenz Relevanz für die Krankenversicherung? Otto Bitterli, CEO Sanitas Interlaken, 23.
Health Insurance Days Künstliche Intelligenz Relevanz für die Krankenversicherung? Otto Bitterli, CEO Sanitas Interlaken, 23. April 2015 Agenda Was wir unter künstlicher Intelligenz 1 verstehen - Breites
MehrNeue Erkenntnisse aus unstrukturierten Daten gewinnen
Neue Erkenntnisse aus unstrukturierten Daten gewinnen Univ.-Prof. Dr. Josef Küng Institut für anwendungsorientierte Wissensverarbeitung (FAW) Johannes Kepler Universität Linz In Zusammenarbeit mit Mag.
MehrReinforcement-Learning
Reinforcement-Learning Vortrag von: Fabien Lapok Betreuer: Prof. Dr. Meisel 1 Agenda Motivation Überblick und Probleme von RL Aktuelle Forschung Mein Vorgehen Konferenzen und Quellen 2 Reinforcement Learning
Mehr8.1 Einleitung. Grundlagen der Künstlichen Intelligenz. 8.1 Einleitung. 8.2 Lokale Suchverfahren. 8.3 Zusammenfassung. Suchprobleme: Überblick
Grundlagen der Künstlichen Intelligenz 5. April 0 8. Suchalgorithmen: Lokale Suche Grundlagen der Künstlichen Intelligenz 8. Suchalgorithmen: Lokale Suche 8.1 Einleitung Malte Helmert Universität Basel
MehrGegenwart und Zukunft
Gegenwart und Zukunft von Big Data Dieter Kranzlmüller Munich Network Management Team Ludwig Maximilians Universität München (LMU) & Leibniz Rechenzentrum (LRZ) der Bayerischen Akademie der Wissenschaften
MehrUnternehmen und IT im Wandel: Mit datengetriebenen Innovationen zum Digital Enterprise
Unternehmen und IT im Wandel: Mit datengetriebenen Innovationen zum Digital Enterprise Software AG Innovation Day 2014 Bonn, 2.7.2014 Dr. Carsten Bange, Geschäftsführer Business Application Research Center
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn 16. Januar 2014, überarbeitet am 20. Januar 2017 Übersicht Stand der Kunst: Bilderverstehen, Go spielen Was ist ein Bild in Rohform?
MehrAbschnitt 1. BPM als Lingua franca. Management, Fachbereiche und IT Ist BPM ein Weg zur (Auf-)Lösung der Sprachbarriere?
BPM als Lingua franca Management, Fachbereiche und IT Ist BPM ein Weg zur (Auf-)Lösung der Sprachbarriere? Abschnitt 1 All trademarks used are the property of their respective owners Lingua franca Language
MehrThere are 10 weeks this summer vacation the weeks beginning: June 23, June 30, July 7, July 14, July 21, Jul 28, Aug 4, Aug 11, Aug 18, Aug 25
Name: AP Deutsch Sommerpaket 2014 The AP German exam is designed to test your language proficiency your ability to use the German language to speak, listen, read and write. All the grammar concepts and
MehrFundamentals of Electrical Engineering 1 Grundlagen der Elektrotechnik 1
Fundamentals of Electrical Engineering 1 Grundlagen der Elektrotechnik 1 Chapter: Operational Amplifiers / Operationsverstärker Michael E. Auer Source of figures: Alexander/Sadiku: Fundamentals of Electric
MehrSocial Media Zukunfts-Szenarien: Big Data, Smart Agents, Artificial Intelligence, und Marketing als... Content
FuturistGerd.com Social Media Zukunfts-Szenarien: Big Data, Smart Agents, Artificial Intelligence, und Marketing als... Content @gleonhard 1 2 4 8 16 32 Eine Welt der Screens. Immer-an. Immer billiger.
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn Adrian Neumann 16. Januar 2014 Übersicht Biologische Inspiration Stand der Kunst in Objekterkennung auf Bildern Künstliche Neuronale
MehrWalter Buchmayr Ges.m.b.H.
Seite 1/10 Chapter Description Page 1 Advantages 3 2 Performance description 4 3 Settings 5 4 Options 6 5 Technical data 7 6 Pictures 8 http://members.aon.at/buchmayrgmbh e-mail: walter.buchmayr.gmbh@aon.at
MehrArbeit Digitalisierung verändert die Arbeitswelt nachhaltig Dynamik, Strukturen und Dimensionen
Arbeit 4.0 - Digitalisierung verändert die Arbeitswelt nachhaltig Dynamik, Strukturen und Dimensionen AfA-Bundeskonferenz Duisburg, 23. April 2016, Michael Fischer ver.di-bundesverwaltung Politik und Planung
MehrWorkshop Aktuelle Entwicklungen bei der Auswertung von Fernerkundungsdaten für forstliche Aufgabenstellungen
Workshop Aktuelle Entwicklungen bei der Auswertung von Fernerkundungsdaten für forstliche Aufgabenstellungen Schätzung von Holzvorräten und Baumartenanteilen mittels Wahrscheinlichkeitsmodellen Haruth
MehrEXPERT SURVEY OF THE NEWS MEDIA
EXPERT SURVEY OF THE NEWS MEDIA THE SHORENSTEIN CENTER ON THE PRESS, POLITICS & PUBLIC POLICY JOHN F. KENNEDY SCHOOL OF GOVERNMENT, HARVARD UNIVERSITY, CAMBRIDGE, MA 0238 PIPPA_NORRIS@HARVARD.EDU. FAX:
MehrIntroduction to Python. Introduction. First Steps in Python. pseudo random numbers. May 2016
to to May 2016 to What is Programming? All computers are stupid. All computers are deterministic. You have to tell the computer what to do. You can tell the computer in any (programming) language) you
MehrKanton Zürich Direktion der Justiz und des Innern Staatsarchiv. Project. Automatisierte Handschriftenerkennung. Tobias Hodel (Staatsarchiv Zürich)
Kanton Zürich Direktion der Justiz Staatsarchiv Project Automatisierte Handschriftenerkennung Tobias Hodel (Staatsarchiv Zürich) - Making archival (esp. handwritten) documents better accessible - New research
MehrÄquivalenzübersicht für den Bachelorstudiengang Technische Informatik
Agent Competition: Multi Agent Contest Agent Competition: Multi Agent Contest Agent Competition: RoboCup Agent Competition: RoboCup Agententechnologien: Grundlagen und Anwendungen Aktuelle Themen der Algorithmik:
MehrWas bringt die Zukunft? Herausforderungen und Gelegenheiten - die nächsten 5-7 Jahre
Was bringt die Zukunft? Herausforderungen und Gelegenheiten - die nächsten 5-7 Jahre Futurist Humanist Algorithmen Androrithmen Imagine Develop Foresights Sind Sie zukunftsbereit? Understand Observe Foresights
MehrStrategy. Execution. Results. CIAgenda. COPYRIGHT Phil Winters 2014 ALL RIGHTS PROTECTED AND RESERVED.
CIAgenda 1 Customer Strategy Datenflüsterer Experte für Strategien aus der Kundenperspektive 2 Customer Experience COPYRIGHT Phil Winters 2014. ALL RIGHTS PROTECTED AND RESERVED. 3 Aus der Kundenperspektive
MehrDeep Learning für Automatische Dokumentanalyse
Deep Learning für Automatische Dokumentanalyse apl. Prof. Marcus Liwicki DIVA Group, University of Fribourg MindGarage, University of Kaiserslautern marcus.liwicki@unifr.ch www.mindgarage.de Können Sie
MehrUsing TerraSAR-X data for mapping of damages in forests caused by the pine sawfly (Dprion pini) Dr. Klaus MARTIN klaus.martin@slu-web.
Using TerraSAR-X data for mapping of damages in forests caused by the pine sawfly (Dprion pini) Dr. Klaus MARTIN klaus.martin@slu-web.de Damages caused by Diprion pini Endangered Pine Regions in Germany
MehrWE SHAPE INDUSTRY 4.0 BOSCH CONNECTED INDUSTRY DR.-ING. STEFAN AßMANN
WE SHAPE INDUSTRY 4.0 BOSCH CONNECTED INDUSTRY DR.-ING. STEFAN AßMANN Bosch-Definition for Industry 4.0 Our Seven Features Connected Manufacturing Connected Logistics Connected Autonomous and Collaborative
MehrKünstliche Intelligenz
Künstliche Intelligenz Achim Berg Bitkom-Präsident Berlin, 15. November 2017 Goldmund-Lukic Stocksy United Künstliche Intelligenz ist Mehrheit der Bundesbürger ein Begriff Haben Sie schon einmal von dem
MehrTheoretische Informatik 1
Theoretische Informatik 1 Boltzmann Maschine David Kappel Institut für Grundlagen der Informationsverarbeitung TU Graz SS 2014 Übersicht Boltzmann Maschine Neuronale Netzwerke Die Boltzmann Maschine Gibbs
MehrThementisch Anwendungsgebiete und
Thementisch Anwendungsgebiete und b Erfolgsgeschichten KMUs und Big Data Wien 08. Juni 2015 Hermann b Stern, Know-Center www.know-center.at Know-Center GmbH Know-Center Research Center for Data-driven
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn 16. Januar 2014 Übersicht Stand der Kunst im Bilderverstehen: Klassifizieren und Suchen Was ist ein Bild in Rohform? Biologische
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik Neuronale Netze WS 2014/2015 Vera Demberg Neuronale Netze Was ist das? Einer der größten Fortschritte in der Sprachverarbeitung und Bildverarbeitung der letzten Jahre:
MehrTHEMA: GUT VORBEREITET IST HALB ZERTIFIZIERT ANTWORTEN ZUR SAS VISUAL ANALYTICS-ZERTIFIZIERUNG" THOMAS WENDE
WEBINAR@LUNCHTIME THEMA: GUT VORBEREITET IST HALB ZERTIFIZIERT ANTWORTEN ZUR SAS VISUAL ANALYTICS-ZERTIFIZIERUNG" THOMAS WENDE EBINAR@LUNCHTIME HERZLICH WILLKOMMEN BEI WEBINAR@LUNCHTIME Moderation Anne
Mehr«Cyborgs, Innovation und Digitalisierung» Pascal Kaufmann, Founder & CEO Starmind
«Cyborgs, Innovation und Digitalisierung» Pascal Kaufmann, Founder & CEO Starmind Northwestern University und ETH Zürich Chicago Medical School, 2001 Visueller Input Motorischer Output Die Vernetzung von
MehrIdeen und Konzepte der Informatik. Maschinelles Lernen. Kurt Mehlhorn
Ideen und Konzepte der Informatik Maschinelles Lernen Kurt Mehlhorn Übersicht Lernen: Begriff Beispiele für den Stand der Kunst Spamerkennung Handschriftenerkennung mit und ohne Trainingsdaten Gesichts-
MehrGround Truth ohne Datenqualität kein Machine Learning. Erfolgsfaktoren für Predictive Analytics, BI und Data Mining
Ground Truth ohne Datenqualität kein Machine Learning. Erfolgsfaktoren für Predictive Analytics, BI und Data Mining Prof. Dr.-Ing. Peter Lehmann Hochschule der Medien Stuttgart GLIEDERUNG Etwas über Machine
MehrEine Vorlesung für Hörer aller Fakultäten
Ideen der Informatik Eine Vorlesung für Hörer aller Fakultäten Kurt Mehlhorn Meine drei Ziele Grundbegriffe der Informatik: Was ist ein Computer (Hardware, Software)? Sind alle Computer gleich? Was ist
MehrHow smart is Big Data today? Dr. Stefan Kühn Jahrestagung der Herstellungsleiter Kloster Irsee
How smart is Big Data today? Dr. Stefan Kühn Jahrestagung der Herstellungsleiter Kloster Irsee 07.05.2016 Die schönste Nebensache der Welt Marginal goals: Some goals count more than others, one should
MehrNext Generation SEO Author Markups und Schema Integrationen Marcus Tober Köln 16.10.2013
Next Generation SEO Author Markups und Schema Integrationen Marcus Tober Köln 16.10.2013 10/21/2013 Searchmetrics Inc. 2013 Page 1 Gründer von Searchmetrics Ich liebe SEO und Search seit 2001 Informatik-Studium
MehrEine Analyse des Effektes von Lernen auf Populationsfitness und Diversität in einer NK-Fitnesslandschaft. Lars Melchior
Eine Analyse des Effektes von Lernen auf Populationsfitness und Diversität in einer NK-Fitnesslandschaft Lars Melchior Theoretische Grundlagen Theoretische Grundlagen Genetik Genetische Algorithmen NK
MehrParametric Spectral Estimation
Parametric Spectral Estimation Exercises for Digital Signal Processing II Exercise 2.3.26 Stefan Goetze / Volker Mildner Infos about the examination Diploma students: Oral examinations on March, 29 th.-
MehrMission to Mars. Digitalisierung in Deutschland
Mission to Mars Digitalisierung in Deutschland Ricarda Wagner Referentin Digitale Transformation @ricardawgnr #BVDW Past Past Present Wellen der Digitalisierung Welle 1: digitale Commerce Dasselbe wie
Mehr