Lehre - BioML Lab @ FI CODE, UniBw M

Die biometrische Erkennung von Personen auf der Grundlage der Beobachtung von Verhaltens- und biologischen Merkmalen wie Gesicht, Iris oder Fingern ist bei Zugangskontrollanwendungen weit verbreitet. Solche Methoden können für Verifikations- oder Identifikationsanwendungen eingesetzt werden und stellen eine komfortable Alternative zu wissens- oder tokenbasierten Methoden dar.

In den letzten zehn Jahren hat die Verfügbarkeit größerer Datenmengen und besserer Rechenressourcen zu einer Revolution im maschinellen Lernen geführt, die zu den so genannten Deep-Learning-Architekturen geführt hat. Diese Algorithmen können eine höhere Klassifizierungsgenauigkeit bieten oder sehr realistische synthetische Bilder oder Audios erzeugen.

Die aktuellen Fortschritte in der KI und im maschinellen Lernen ermöglichen es uns, bestimmte Aufgaben zu automatisieren oder die erzielten Ergebnisse zu verbessern. Die Verarbeitung personenbezogener Daten ohne geeignete Sicherheitsmaßnahmen kann jedoch auch zur unerwünschten Offenlegung sensibler Informationen führen. Modelle des maschinellen Lernens enthalten nämlich oft genaue Informationen über einzelne Datenpunkte, die zum Training der Modelle verwendet wurden. Wir müssen also die Privatsphäre der Personen schützen und gleichzeitig versuchen, den Nutzen des maschinellen Lernmodells zu maximieren.

Maschinelles Lernen ist ein Teilgebiet der künstlichen Intelligenz, das sich mit der Entwicklung von Modellen und Algorithmen befasst, die es Computern ermöglichen, aus Daten zu lernen, ohne für jede Aufgabe explizit programmiert zu werden. Es ermöglicht Computern, zu lernen und Entscheidungen zu treffen, indem sie Muster in Daten erkennen und ihre Fähigkeit zur Ausführung bestimmter Aufgaben verbessern. In diesem Kurs werden wir verstehen, wie ML angewendet werden kann, um reale Probleme zu lösen und eine solide Grundlage in klassischem ML zu erlangen.