Tübingen ist für zwei Wochen Dreh- und Angelpunkt der "Machine Learning Welt“
Auf dem Max-Planck-Campus kommen Spitzenvertreter des Maschinellen Lernens und Nachwuchswissenschaftler aus aller Welt zusammen
- 13 July 2015
- Empirische Inferenz
Seit 13 Jahren tourt die „Machine Learning Summer School (MLSS)“ um die Welt: Sydney, Peking, Bordeaux, Taipeh, Austin. Ab 13. Juli 2015 gastiert sie wieder in Tübingen. Zum vierten Mal bringt diese Sommer-Schule für Maschinelles Lernen auf dem Max-Planck-Campus über 110 junge Nachwuchswissenschaftler mit internationalen Spitzenvertretern aus Wissenschaft und Industrie zusammen. Als öffentliche geförderte Institution wird das Max-Planck-Institut für Intelligente Systeme damit einmal mehr seinem Bildungsauftrag gerecht und fördert nicht zuletzt auch die Völkerverständigung unter den Teilnehmerinnen und Teilnehmern aus 19 Ländern mit 35 Nationalitäten.
Maschinelles Lernen (ML, engl. Machine Learning) ist eine junge Disziplin. Als eigenständiges Forschungsgebiet breitet es sich seit den 90er Jahren aus, nicht zuletzt begünstigt durch die Verbreitung des Internets und die zunehmende Digitalisierung der Welt. ML ist verwandt mit Wahrscheinlichkeitstheorie und Statistik und will mit verschiedenen methodischen Ansätzen Komplexität entschlüsseln. Die Tübinger Gruppe um Professor Schölkopf gehört weltweit zu den Hochburgen für Maschinelles Lernen und befindet sich damit auf Augenhöhe mit Forschungsgruppen an der britischen University of Cambridge und Stanford, USA.
Eine Sieben ist keine Sieben ist eine Sieben...
Heute spielt sich Maschinelles Lernen im Hintergrund vieler Prozesse ab. Es gehört zu unserem Alltag, auch wenn Laien es nicht wahrnehmen. So steckt ML beispielsweise in den automatischen Leseprogrammen der Maschinen, die handgeschriebene Adressfelder auf Briefen korrekt entziffern müssen. Die Maschinen müssen zuvor die (vielen) verschiedenen Schreibweisen einer handgeschriebenen Sieben (= ohne oder mit Mittelstrich) lernen und nachfolgend bei tausenden von individuellen Handschriften immer wieder zuverlässig als Sieben erkennen können. Zudem müssen die Programme in der Lage sein, eine Sieben ohne Bindestrich von der (europäischen) Ziffer Eins zu unterscheiden. Weiterhin sind die durch ML generierten Algorithmen unabdingbar für Suchmaschinen, Online-Shops, automatische Spracherkennung, Bilderkennung, Robotik usw..
MLSS schließt Lücke in der Aus- und Fortbildung
Getrieben von der Motivation, moderne Methoden des maschinellen Lernens zu verbreiten, rief der Tübinger Professor Bernhard Schölkopf mit Gleichgesinnten Anfang des Jahrtausends die begehrte Fortbildungsveranstaltung MLSS ins Leben. Professor Schölkopf erinnert sich: “Damals gab es an den Universitäten kaum Kurse zu diesem Thema - trotz der vielen Studenten, die mehr über maschinelles Lernen erfahren wollten als auch der Wissenschaftler, die Methoden des maschinellen Lernens in ihrer Forschung anwenden mussten.”
Inzwischen hat sich die Machine Learning Summer School (MLSS) einen Namen in der Forschergemeinde gemacht und insbesondere die MLSS Tübingen ist sehr begehrt. Der diesjährige Koordinator der Summer School, Michael Hirsch, verdeutlicht das: “Wir können 110 Personen von außerhalb einen Platz in der Tübinger Machine Learning Summer School anbieten; nahezu 500 junge Menschen aus aller Welt hatten sich beworben.
Neben praktischen Übungen („Wer schreibt zu einer bestimmten Aufgabenstellung den besten Code innerhalb von zwei Stunden?!“) halten namhafte Vertreter aus Wissenschaft und Industrie Vorlesungen und Vorträge zu Themen wie „Robotik“, „Neuronale Netzwerke“ oder „Optimierung“. Finanziell unterstützt wird die MLSS 2015 Tübingen durch die Robert Bosch GmbH, Google Inc., Amazon Inc. und Facebook Inc..
Zur Entspannung zwischen den langen Lehr-Einheiten hat sich das Organisationsteam des MPI für Intelligente Systeme ein buntes Programm überlegt, das Tübingen von seinen besten Seiten zeigt: Darunter eine Besuchstour durch verschiedene Tübinger Kneipen, eine Wanderung nach Bebenhausen, eine Stocherkahnfahrt und ein Konferenz-Dinner.
