Logo des Repositoriums

Auflistung nach Autor:in "Ossovski, Elisaweta"

1 - 4 von 4
  • Zeitschriftenartikel
    LOG IN: Vol. 40, No. 1
    (LOG IN: Vol. 40, No. 1, 2020) Modrow, Eckart; Grillenberger, Andreas; Romeike, Ralf; Baumann, Rüdeger; Hellmig, Lutz; Koerber, Bernhard; Klusch, Matthias; Nagel, Frithjof; Timm, Ingo J.; Seegerer, Stefan; Michaeli, Tilmann; Kahn, Ken; Lu, Yu; Zhang, Jingjing; Winters, Niall; Gao, Ming; Voigt, Maximilian; Schmidt, Pascal; Strobel, Stefan; Jatzlau, Sven; Lindner, Annabel; Ossovski, Elisaweta; Köhl, Lukas; Brinkmeier, Michael; Opek, Simone; Schindler, Alexander; Dietz, Alexander; Class, Christina B.; Kurz, Konstanze; Weber-Wulff, Debora; Strecker, Kerstin
    Komplettheft
  • Zeitschriftenartikel
    Maschinelles Lernen Unplugged - Ein Zugang über lineare Klassifizierer
    (LOG IN: Vol. 40, No. 1, 2020) Ossovski, Elisaweta; Hembrock, Laura; Köhl, Lukas; Brinkmeier, Michael
    Der Umgang mit „unsicheren“ Daten ist eines der Hauptmerkmale von Methoden, die üblicherweise dem Feld der künstlichen Intelligenz zugeordnet werden. Dabei umfasst die „Unsicherheit“ sowohl Dynamik und Fehler als auch Widersprüche in den Daten, die in der Regel nicht oder nur sehr schwer analytisch zu erfassen sind. Daher versucht man in vielen Fällen geeig- nete mathematische Modelle mithilfe vorliegender Daten so zu trainieren, dass diese Unsicherheiten handhabbar werden. Dadurch wird die Mathematik hinter den Verfahren häufig aber so komplex, dass sie sich nur mit großem Aufwand und Vorwissen vermitteln lässt. In diesem Beitrag möchten wir ein einfaches, von mathematischer Striktheit befreites Verfahren zum Training eines zweidimensionalen linearen Klassifizierers darstellen, das mit Schülerinnen und Schülern der Sekundarstufe II und unter Umständen bereits der Sekundarstufe I durchgeführt werden kann. Von mathematischer Seite sollten das zweidimensionale kartesi- sche Koordinatensystem und der Begriff der linearen Funktion bzw. Geraden bekannt sein.
  • Konferenzbeitrag
    Warum Onlinelehre sowie Open-Books-Klausuren und das Fach Informatik zusammenpassen
    (DELFI 2021, 2021) Ossovski, Elisaweta; Brinkmeier, Michael; Kalbreyer, Daniel
    Durch die Covid19-Pandemie waren Lehrende an vielen Hochschulen gezwungen innerhalb kurzer Zeit Konzepte für digitale Lehre zu entwickeln. Obwohl in Ausnahmefällen zumindest Prüfungen in Präsenz ermöglicht wurden, fand eine hohe Zahl an Klausuren ebenfalls vollständig digital statt. Die Autoren dieses Positionspapiers haben Erfahrungen mit der digitalen Lehre in einem großen Einführungsmodul der Informatik mit insgesamt drei Open-Books-Klausuren gesammelt und festgestellt, dass sowohl die Informatik ein passendes Fach für Onlinelehre sowie Open-Books-Klausuren ist als auch, dass diese für die Informatik besonders gut geeignet sind. Die gewonnenen Erfahrungen und Gründe für diese Thesen werden in dem Positionspapier erläutert, bevor Empfehlungen für Lehrende aller Fächer abgeleitet werden.
  • Textdokument
    Workshop: Maschinelles Lernen Unplugged
    (Informatik für alle, 2019) Ossovski, Elisaweta; Brinkmeier, Michael
    Künstliche Intelligenz, bei der Maschinelles Lernen als Grundtechnik eine wichtige Rolle spielt, wird immer häufiger in den Medien thematisiert und bewertet, ohne auf die konkrete Funktionsweise einzugehen. Dadurch kann gerade bei Schülerinnen und Schülern ein falsches Bild davon entstehen. Der bereits mit einigen Gruppen erprobte Workshop3 „Maschinelles Lernen Unplugged“ stellt dabei einen ersten Versuch dar, wie Schülerinnen und Schülern das Teilgebiet Maschinelles Lernen mit einem Unplugged-Konzept näher gebracht werden kann. Im Anschluss an einen kurzen theoretischen Impuls, der eine Motivation für die handlungsorientierte Phase gibt, sollen die Teilnehmenden mithilfe einer Pinnwand, Pinnnadeln sowie einer Holzleiste eine lernende Maschine entwickeln, die zwei Arten von Schrauben klassifizieren kann. Dabei fällt zur Datengenerierung eine zu klassifizierende Schraube zufällig auf eine bewegliche Platte und wird von oben fotografiert. Auf diesem Bild wird eine Bounding Box bestimmt und die Maße dieses Rechtecks stellen mit dem jeweils größeren Wert als erste Vektorkomponente und dem jeweils kleineren Wert als zweite Vektorkomponente die Daten dar. Beim Lernprozess werden 20 zufällige Datenkarten aus dem Datensatz einzeln auf der Pinnwand markiert und die Holzleiste entsprechend in Richtung des eingefügten Punktes bewegt, wobei die Holzleiste, die zu Beginn an einem Punkt an der x-Achse fixiert wurde, um eine immer geringere Distanz gedreht wird. Dies entspricht der graphischen Repräsentation eines Perzeptrons, wobei das Lernverfahren zugunsten der Handhabbarkeit vereinfacht wurde. Danach präsentieren die Teilnehmenden jeweils den anderen Gruppen kurz ihr Ergebnis. Bei der Vorstellung sollen diese auch ihre Gedanken während des Durchführens erläutern und die Fragen beantworten, welche Überlegungen zur Wahl der initialen Gerade geführt haben und ob sie eine Fortsetzung des Verfahrens für sinnvoll halten. Die Intention dabei ist die Erkenntnis der Vorteile eines Rechners, um Präzision gewährleisten und auch kleine Veränderungen sinnvoll durchführen zu können. Diese Eigenschaften kann die handlungsorientierte Darstellung nicht erfüllen, da eine Bewegung der Holzleiste um wenige Millimeter keine bedeutenden Ergebnisse hervorrufen würde. Die unterschiedlichen Ergebnisse der Gruppen können gegebenenfalls durch weitere auf Bildern dokumentierte Ergebnisse ergänzt und zum Anlass genommen werden, um die Auswirkungen verschiedener Parameter wie die Wahl der initialen Gerade sowie die Auswahl und Anzahl der Datenkarten zu diskutieren. Den Abschluss des Workshops bildet eine Diskussion über weitere Fälle wie andere Größenverhältnisse der Schraubenarten, nicht linear separable Daten sowie die Möglichkeiten mehr als nur zwei Arten zu klassifizieren.