Seminarleitung: Dr. Johannes Lenhard und Prof. Dr. Katharina Zweig
Thema: In diesem Kurs ging es um die Frage, was die Wissenschaftstheorie eigentlich zur Erkenntnisgewinnung sagt und wie man deren Theorien auf die Gewinnung von statistischen Modellen durch Methoden des maschinellen Lernens übertragen kann. Gestartet wurde in der Epistemiologie, dem Teil der Philosophie, der sich fragt, wie der Mensch überhaupt Wissen gewinnt. Danach ging es um die Frage, wann Wissen als wissenschaftlich gelten darf und was ein wissenschaftliches Modell ist. Diese Fragen wollen wir gemeinsam im Lichte von KI-Systemen diskutieren, die menschliches Verhalten vorhersagen oder bewerten sollen.
Terminplan mit Literatur:
| 30.10.2020 | Einführung in den Kurs |
| 06.11.2020 | Epistemologie (Musgrave) |
| 13.11.2020 | Epistemologie (Musgrave) |
| 20.11.2020 | Popper |
| 27.11.2020 | Wird beim maschinellen Lernen modelliert? (Weisberg) |
| 04.12.2020 | Wie kommen Werte in gelernte, statistische Modelle? |
| 11.12.2020 | Wie untersucht man die Qualität von statistischen Modellen? Der naturwissenschaftliche Aspekt von Machine Learning. (Kuhn) |
| 18.12.2020 | Thomas Kuhn und wissenschaftliche Revolution I |
| 08.01.2021 | Thomas Kuhn und wissenschaftliche Revolution II |
| 15.01.2021 | Wissenschaft als kompetitive Konsensfindung (Naomi Oreskes) |
| 22.01.2021 | Black Box Models (Cynthia Rudin) |
| 29.02.2021 | Können mit Methoden des ML und Big Data auf theoretische Modelle verzichtet werden? (Pearl, Glymour, Jewell) |
| 05.02.2021 | Forschungsartikel von Google |