Maschinelles Lernen lernen
In der Industrie und in der Ausbildung von Ingenieur*innen gewinnt maschinelles Lernen an Bedeutung. Wie können Studierende die komplexe Thematik am besten erlernen? Das hat Katharina Bata in ihrer Dissertation untersucht. Ihre Arbeit wurde betreut von Prof. Dr. Angela Schmitz von der Fakultät für Anlagen, Energie- und Maschinensysteme sowie Prof. Dr. Andreas Eichler von der Universität Kassel.
Frau Bata, wie erklären Sie Ihr Thema „Maschinelles Lernen lernen – Entwicklung und Erforschung einer Lehr-Lernumgebung in den Ingenieurwissenschaften“ Ihren Nachbarn*innen?
Maschinelles Lernen bezeichnet Methoden, bei denen ein mathematisches Modell verwendet wird, um Informationen aus Daten zu extrahieren. Ich habe mir überlegt, wie Studierende der Ingenieurwissenschaften trainieren können, mit maschinellen Lernverfahren umzugehen, und habe meine Überlegungen dann in echten Lehrveranstaltungen erprobt. Das Thema ist für angehende Ingenieur*innen herausfordernd, da es Schnittstellen zu Mathematik, Informatik und dem eigenen Studienfach hat.
Dr. Katharina Bata
(Bild: Michael Bause / TH Köln)
Was haben Sie herausgefunden?
Das von mir entwickelte und getestete Konzept zeigt, welche so genannten Verstehenselemente, also zentrale theoretische Grundlagen, Studierende bei der Nutzung von maschinellem Lernen unterstützen. Dazu gehören zum Beispiel der Umgang mit Daten oder die Interpretation so genannter Gütemaße. Außerdem konnte ich herausfinden, wie Studierende bei der Erstellung von Modellen mit maschinellen Lernverfahren vorgehen. Parallel zu meiner Forschung habe ich Lehr- und Lernmaterialien entwickelt, die für einen Einführungskurs in maschinelles Lernen geeignet sind.
Was begeistert Sie an Ihrem Thema?
Maschinelle Lernverfahren haben Anwendungsmöglichkeiten in nahezu allen Fachbereichen, was dazu führt, dass das Thema selbst und auch seine Lehre sehr interdisziplinär erforscht werden. Daher ermöglicht mir das Forschungsfeld Kooperationen mit Menschen aus ganz verschiedenen Fachrichtungen wie beispielsweise Mathematik, Informatik, Ingenieurwissenschaften, Erziehungswissenschaften, Psychologie oder Ethik. Das ist unglaublich spannend und bereichernd.
Wie kann es mit Ihren Ergebnissen weitergehen?
Ich habe bereits damit begonnen, meine Ergebnisse auf einen anderen Bereich des maschinellen Lernens auszuweiten und bin sehr zuversichtlich, dass meine Methode auch für das so genannte unüberwachte Lernen funktioniert. Zudem leite ich nun eine Nachwuchsgruppe im Projekt CAMMP am Karlsruher Institut für Technologie, das Schüler*innen und Lehrkräften die Bedeutung von Mathematik und Simulationswissenschaften näherbringen will. Auch dort wird dazu geforscht, wie die Funktionalität von maschinellem Lernen gelernt und gelehrt werden kann.
Dezember 2024
