Kursleiterin Seidel forscht im Algorithm Engineering-Fachbereich des HPI daran, wie Lernprozesse durch Automaten und Turing-Maschinen, also Computer, auf denen grundsätzlich jeder Algorithmus ausführbar ist, modelliert werden können. Ausgehen wird die Doktorandin in ihrem Kurs von einer praktischen und anschaulichen Aufgabe – der binären Klassifikation. Mit Hilfe von Algorithmen aus dem Bereich des überwachten maschinellen Lernens soll eine korrekte Regel dafür abgeleitet werden, wie Elemente einer gegebenen Menge auf Grundlage definierter Eigenschaften in zwei Gruppen einzuteilen sind.
Kursleiterin verspricht „verdaubare Einblicke“ für Interessierte ohne tiefe Mathematikkenntnisse
Das Interesse der Kursleiterin liegt in Strategien, die nicht nur für eine bestimmte Klassifikation, sondern universeller funktionieren - für eine vorgegebene Familie ähnlicher Aufgaben. „Die Teilnehmenden werden im Verlauf des Kurses verschiedene Lernmodelle kennenlernen, die alle auf einem modularen Aufbau beruhen“, kündigt Seidel an. Demonstrieren will sie, wie man ein geeignetes Modell auswählt und worin sich die Modelle unterscheiden.
Letztlich geht es der HPI-Wissenschaftlerin darum, die Breite und Tiefe theoretischer Forschung im Fachbereich Algorithm Engineering mit Schwerpunkt Künstliche Intelligenz darzustellen. Bei aller Komplexität der Ansätze zu einer Theorie des Maschinellen Lernens will sie auch Interessierten ohne tiefe mathematische Vorkenntnisse „verdaubare Einblicke“ vermitteln. Teilnehmende sollten allerdings Freude an formaler Mathematik, vor allem auf dem Feld kombinatorischer Argumente, mitbringen. Auch Interesse an exakt definierten Modellen sollte vorhanden sein.
