Im Juni fanden zwei individuell buchbare Weiterbildungskurse zum Thema Maschinelles Lernen, die im Rahmen von KTUR entwickelt wurden, erfolgreich statt. Die Teilnehmenden der englischsprachigen Kurse in Karlsruhe (Einführungskurs) und Straßburg (Aufbaukurs) erhielten Einblicke in anwendungsorientierte Themen des Maschinellen Lernens und der Künstlichen Intelligenz.
Im Einführungskurs wurden die theoretischen Grundlagen in praktischen Übungen auf reale Daten angewendet. Dabei kamen Python, Scikit-learn und Kaggle zum Einsatz. Kursleiter Prof. Dr. Manfred Strohrmann, Professor für Systemtheorie und Dekan der Fakultät für Elektrotechnik und Informationstechnik, bewertet das grenzüberschreitende Angebot als „eine fantastische Möglichkeit, in einer interkulturellen Gruppe die neue Welt des Machine Learning zu entdecken und anzuwenden“.
Das Ziel des Fortgeschrittenenkurses war es, ein Verständnis für Deep Learning und Datenvisualisierung zu entwickeln. Theoretisches Wissen über Komponenten und Architekturen von neuronalen Netzen wurde in praktischen Übungen mit überwachten und unüberwachten Ansätzen (Python und Tensorflow) auf reale Daten angewendet.
Die Schaffung eines grenzüberschreitenden Weiterbildungsangebots erwies sich als große Herausforderung für das KTUR-Organisationsteam unter der Leitung des Instituts für wissenschaftliche Weiterbildung der Hochschule Karlsruhe.
„Durch die Entwicklung eines grenzüberschreitenden Weiterbildungsangebots von der Konzeption bis zur Umsetzung konnten wir viele spannende und bereichernde Einblicke in die Arbeitsweisen unserer Partnerhochschulen gewinnen“, sagt Romina Junk, Geschäftsführerin des Instituts für wissenschaftliche Weiterbildung der Hochschule Karlsruhe.
Im Rahmen von KTUR konnte mit dem Kurs Maschinelles Lernen, der auch in den kommenden Semestern angeboten wird, ein Ansatz zum Thema grenzüberschreitende Weiterbildung umgesetzt werden; weitere Bemühungen um die Institutionalisierung entsprechender Angebote sind in hohem Maße von einer Vertrauensbasis zwischen allen potentiellen Beteiligten abhängig, die es kontinuierlich zu stärken gilt.
Weitere Informationen finden Sie hier.