Termine
| wöchentlich | Donnerstag | 10:15 - 11:45 | 06.04.2026 - 04.06.2026 | C 40.254 Seminarraum | Vorlesung |
| 14-täglich | Donnerstag | 16:00 - 17:30 | 06.04.2026 - 10.07.2026 | C 40.164 Seminarraum | Übung |
| Einzeltermin | Do, 28.05.2026, 16:00 - Do, 28.05.2026, 17:30 | C 40.164 Seminarraum | zusätzliche Übung |
| Einzeltermin | Do, 11.06.2026, 10:15 - Do, 11.06.2026, 11:45 | C 12.111 Seminarraum | Raumwechsel am 11.6. |
| wöchentlich | Donnerstag | 10:15 - 11:45 | 18.06.2026 - 10.07.2026 | C 40.254 Seminarraum | Vorlesung |
| Einzeltermin | Do, 09.07.2026, 16:00 - Do, 09.07.2026, 17:30 | C 40.164 Seminarraum | Abschlusspräsentationen |
Studienplankontext
Präsentation (30%)
Wiederholungstermin: Zu dieser Prüfung wird kein Wiederholungstermin angeboten, da sie didaktisch untrennbar mit einer der zugeordneten Lehrveranstaltungen verbunden ist. Die Wiederholung der Prüfungsleistung ist somit erst bei erneutem Modulangebot möglich.
Organisatorisches
Anmeldung
Die Anmeldung endete am 07.4.2026 um 23:59 Uhr
Personen
Inhaltliches
Methodenorientiert - naturwissenschaftlich
Aussagekräftige und ansprechende Visualisierungen
- Gestaltungsprinzipien für die Visualisierung quantitativer Daten
- Telling stories with data: What to look for & How to design?
- Im Laufe der Zeit & Proportionen, Unterschiede & (räumliche) Zusammenhänge
Erklärbare KI
- Relevanz und Konzepte der Interpretierbarkeit
- Taxonomie und Evaluation von Erklärungen
- Interpretierbare Modelle, z.B. lineare Regression und Entscheidungsbäume
- Lokale modellagnostische Methoden, z.B. LIME (Local Interpretable Model-Agnostic Explanations),
- Von lokalen zu globalen modellagnostischen Erklärungen mit SHAP (SHapley Additive exPlanations)
- Modellspezifische Erklärungen für Neuronale Netze, z.B. Learned Features und Pixel Attribution Maps
- Erklärbarkeit im Zeitalter von Deep Learning und großen Sprachmodellen (LLMs)
- Aktuelle, relevante Forschungsliteratur
- Regulatorische Anforderungen wie der EU AI Act
- Diskussion über die Zukunft der Mensch-KI-Interaktion, Herausforderungen bei der Erklärbarkeit und weiterführende Ansätze, um die Erklärungen von KI-Modellen transparenter und nachvollziehbarer zu gestalten.
In der Vorlesung "Erklärbare KI und Visualisierung" sollen die Studierenden ein grundlegendes Verständnis für die Bedeutung und Konzepte von Erklärbarer Künstlicher Intelligenz sowie der Wichtigkeit ansprechender und intuitiver Visualisierungen für die Kommunikation von quantiativen Daten erlangen. Sie werden verschiedene Techniken für erklärbare ML Modelle sowie Visualisierungen kennenlernen und verstehen. Es wird erarbeitet, warum Erklärbarkeit gerade in kritischen Anwendungen wie der Medizin oder im Finanzwesen essenziell ist und welche ethischen sowie regulatorischen Anforderungen (z.B. durch den EU AI Act) eine Rolle spielen. Die Studierenden sollen zudem lernen, wie man Erklärungen bewertet und validiert, um sicherzustellen, dass sie korrekt und nützlich sind. Darüber hinaus wird die Rolle von Visualisierungen in der Mensch-KI-Interaktion diskutiert und aktuelle Herausforderungen sowie Zukunftstrends beleuchtet.
Evaluation
Weitere Informationen zur Lehrevaluation: https://www.leuphana.de/lehre/qualitaetsmanagement/evaluation-feedback.html