Wie angekündigt findet Ihr hier die Folien des Beitrags zu Bildungsangeboten im Bereich des maschinellen Lernens1 vom letzten Kiel.AI Meetup sowie im Folgenden zusätzlich eine Kurzzusammenfassung für diejenigen, die nicht dabei waren.

Um die existierenden Lernangebote zu unterscheiden macht es Sinn zunächst unterschiedliche Anwendungsebenen zu unterscheiden, auf denen Wissen über maschinelles Lernen benötigt wird.

Auf der Forschungsebene sind auch die klassischen Universitäten tätig, aber vor allem Großunternehmen wie Google, Amazon oder Baidu bestimmen hier den Fortschritt bei der Entwicklung von immer besseren Lernalgorithmen. Die Umsetzung von Forschungsergebnissen in die Praxis erfolgt entsprechend unmittelbar.
Auf der Implementierungsebene werden die Lernalgorithmen auf Datensätze aus den verschiedensten Bereichen angewandt. Während die Algorithmen anfänglich insbesondere von Software- und Internet-Unternehmen eingesetzt wurden, kommen sie inzwischen auch zunehmend in anderen Bereichen zum Einsatz. Dazu werden, zumeist in der Programmiersprache Python, Programme geschrieben, die einen passenden Lernalgorithmus auswählen und diesen mit passend aufbereiteten Daten trainieren.
Auf der Konzeptebene wird über den möglichen Einsatz von Lernalgorithmen entschieden. Das kann eine Privatperson sein, die, zum Beispiel, verstehen will, inwieweit sie den in Google angegebenen Geschäftsöffnungszeiten vertrauen kann, ein Produktmanager, der die Möglichkeiten von Lernalgorithmen kennen muss, um neue Produktideen entwickeln zu können oder ein Geschäftsführer, der ein Verständnis von den Risiken haben möchte, die der Einsatz von Lernalgorithmen bedeuten kann.

Wie aus der obigen kurzen Beschreibung erkennbar ist, ist es absehbar, dass insbesondere das konzeptuelle Wissen darüber wie maschinelle Lernalgorithmen funktionieren von wesentlicher Bedeutung für viele berufliche Tätigkeiten sein wird, aber durchaus auch auf individueller Ebene, um die Möglichkeiten und Risiken dieser Algorithmen einschätzen zu können. Zur Realisierung von Anwendungen mit maschinellen Lernalgorithmen ist neben einem sehr guten konzeptuellen Verständnis der Lernalgorithmen, vor allem fachliches Wissen im Anwendungsbereich und ein Verständnis für die Daten, die zum Trainieren der Algorithmen eingesetzt werden, nötig. Die notwendigen Programmierkenntnisse sind schon heute vergleichsweise gering und durch die Fortschritte im Bereich des automatisierten maschinellen Lernens ist bereits jetzt zu erkennen, dass zukünftig die sinnvolle Zusammenstellung und Aufbereitung der Trainingsdaten die Kernaufgabe zur Realisierung von Anwendungen sein wird.

Selbst eine eigene Anwendung unter Verwendung eines Lernalgorithmus zu trainieren, ist wesentlich einfacher als man vielleicht denken mag.
Einerseits, da sämtliche Software dazu als Open Source zur Verfügung steht, und andererseits, da es sehr gute Online-Kurse gibt, die einem das notwendige Wissen dazu vermitteln, insbesondere auf den großen Online-Plattformen von Coursera, edX und Udacity. Bei Coursera und edX sind die Kurse sogar gratis, lediglich wenn man sich die erfolgreiche Teilnahme durch ein Zertifikat bestätigen lassen will, treten kosten auf, in der Regel jedoch unter 100 US-Dollar.

Selbst wenn man sich nur auf Coursera beschränkt, wird es jedoch schnell schwer, zu entscheiden, welches der passende Kurs ist. Meine Empfehlung ist, sich an die Kurse von Andrew Ng zu halten, der als Founding Lead von Google Brain und ehemaliger Verantwortlicher für den KI-Bereich bei Baidu einer der anerkanntesten Experten im Bereich der maschinellen Lernalgorithmen ist, aber vor allem auch als Professor in Stanford und Mitgründer von Coursera mit seinem dort online veröffentlichten Machine Learning Kurs, den Kurs zum Einstieg in das maschinelle Lernen erstellt hat. Seit seiner Veröffentlichung haben sich über 2,5 Millionen Lernende für diesen Kurs eingeschrieben.
2017 hat Andrew Ng mit deeplearning.ai ein neues Projekt gestartet, um das Wissen über KI bzw. das maschinelle Lernen weiter zu verbreiten. Hervorzuheben ist dabei insbesondere der Kurs AI for Everyone, der speziell auf die Vermittlung konzeptuellen Wissens ausgelegt ist.
Im Rahmen des EDU-Programms von opencampus möchten wir jedoch einen Schritt weitergehen und haben uns daher für den Kurs TensorFlow Specialization (im EDU-Programm unter Machine Learning with Tensorflow) entschieden, der es den Teilnehmenden ermöglichen wird, verschiedene Lernalgorithmen anzuwenden und ein eigenes Projekt zu implementieren.
Der Deep Learning Specialization Kurs von deeplearning.ai geht, wie auch der oben angesprochene Machine Learning Kurs, deutlich stärker auf die theorethischen Grundlagen zum Schätzen von Parametern in Lernalgorithmen ein und erfordert entsprechendes mathematisches Vorwissen.

Um die Realisierung eigener KI-Projekte und die Gründung von Startups in diesem Bereich zu fördern, haben wir verschiedene Angebote des EDU-Programms von opencampus zu einem KI Startup-Programm zusammengefasst, auf das man sich in Kürze bewerben kann, um so spezielle Zertifikate für die Schwerpunkte KI und Startup erwerben zu können und von zusätzlichen Unterstützungsangeboten zu profitieren.
Im Modul KI steht dabei im Fokus den Teilnehmenden die technische Umsetzung einer KI-Anwendung zu vermitteln und im Modul Startup welche Schritte bei einer Gründung notwendig sind und was dabei zu beachten ist.

1 Bzgl. der Anwendungsebenen des maschinellen Lernens habe ich im Vergleich zur Präsentation im Meetup die Nomenklatur geändert, um die Unterscheidung deutlicher zu machen.