Kategorie: Aktuelles

Am 6. September 2019 trafen sich 130 Teilnehmerinnen und Teilnehmer im Forum Finkenau der HAW Hamburg, um sich bei der dritten Ausgabe des Hamburger stARTcamps über das Thema „No limits?! Wissenschaft und Kultur für alle“ auszutauschen. Das stARTcamp wurde gemeinsam ausgerichtet vom stARTconference e.V. und der Hamburg Open Online University (HOOU) und trug somit den Untertitel „stARTcamp meets HOOU“. Aufgrund dieser Zusammenarbeit gab es einen engen und fruchtbaren Austausch zwischen Kulturschaffenden und Wissenschaftler*innen. In den 25 Sessions wurden über Themen wie Virtual Reality, Podcast, Medien zum Mitmachen oder Open Educational Ressources ausführlich gesprochen und diskutiert. Begleitend gab es eine ausführliche Dokumentation bestehend aus Videos, Graphic Recordings und Blogbeiträgen, welche nun online ist: stARTcamp meets HOOU

Beiträge:

„Ich war da noch nie drin, aber es ist gut, dass wir sie haben …“

Beyond The Screen

Bricolage mit „Grenzobjekten“

Chrono Research Lab – Das Portal für Welt-Zeit-Reisende

Die digitale Öffentlichkeitsarbeit der Stabi Hamburg

Diese jungen Leute – Wie kommen wir nur an die jungen Zielgruppen heran?

Digitale Transformation: Ethik und Fragen

Digitales Storytelling über die Hammaburg

DIY: 360°-Content

Don’t be afraid of Urheberrecht – Be open

Graphic Recording

Kunstinstallationen in Virtual-Reality

Lob von Remix oder: Remix als Geschäftsmodell des Teilens

Macht mehr Podcasts!

Medien zum Mitmachen machen – mit H5P

Mobile Video – Videoproduktion mit Smartphone und Tablet

Ownership oder die Macht der Dokumentation

Spielend lernen: Das Spiel als Methode der Vermittlung

Virtual time travels? Digitale Realitäten an Gedenkorten

Was die Open-Access- und die OER-Community voneinander lernen können

Wissensraum Bille Archiv

Zukunft der Schulen

_{Written by Anna Lainé (contact)}

Motivation

Did you know that most of the hiring processes in big companies are complemented by some machine learning algorithms, in charge of pre-selecting the best resumes before handing them to a human? ⁽¹⁾ That some banks use machine learning to predict whether or not you will be able to reimburse a credit? ⁽²⁾ That most online customer support usually start the interactions with an intelligent agent rather than a human? ⁽³⁾ Because of the vast amount of applications we are confronted to in our daily life, a basic knowledge of data science is essential to understand how decisions are made and what we, as a member of society, can do to maximize the efficiency and minimise the risks of these processes.

That is why public awareness on the field of computer science technology is of great importance, and science enthusiasts should not be the only ones to be informed about these challenges and pitfalls. Education should offer learning opportunities to a broad audience, by creating resources that are understandable with no to little scientific background. With that in mind, we want to design an online course about machine learning that is accessible for everybody, with different levels of difficulty.

Technical content of the course

What is machine learning?

Machine learning describes the study or development of models (algorithms or statistical models) used by a computer to perform a task without explicit instructions. The computer is said to learn from the model, and the outcome or result of the model is the task the computer can perform from the model. The performance of the model represents the accuracy, correctness, or precision of the task performed by the computer, compared to what was expected.

A concrete scenario: say we want to build a model that can predict the weather of tomorrow, given the weather of today.
This particular problem is a classification problem (we want to classify the weather of tomorrow into the classes „sunny“, „rainy“, etc…), and the corresponding class („sunny“, „rainy“) is called a label.
Data from the days before are used and fed into the model, which will learn some pattern from the data: for example, if a day was sunny, the next day has high chances to be also sunny. From the data and the patterns learned, the model will compute some predictions for a particular day, given the current data („As today is a sunny day, tomorrow will be a sunny day.“). These predictions are the result, or the outcome of the model. If the prediction fits the real-world observation (tomorrow is, indeed, a sunny day), the performance of the model is considered good.

How are data used in machine learning?

In machine learning projects, the main effort is often focused on building a good model enhanced by the outcome of the learning, rather than on the data it is based on. But using training data of poor quality can also distort this outcome: as the algorithm learns from historical data, by nature, data is the central point of a machine learning model.

A classic machine learning process is built in two main steps (see Figure 1): first, using historical data gathered beforehand, a model is developed and learns to predict the labels from the data. Afterwards, this model is fed with new data for which we don’t know the outcome, and returns predictions.

Data are therefore used in two ways here: first, historical data are used to feed and train the model, then new data are used to make the prediction. If these data are of poor quality, with no surprise, the prediction will be affected. The quality of the data can be affected in several ways, for example:

• incomplete or missing data: some fields of the dataset are left empty (for example: we want to use geographic coordinates of a ship along its trip, but a whole part of the trip is missing).
• incorrect data: some values are wrong in the data (for example: we are using information about the length of a ship, but some values are expressed in meter, others in foot, so the comparison is not directly possible).
• biased data: the training data don’t correspond to the predictive data (for example: we use historical data to predict the estimated time of arrival of a ship on a commercial route, but the historical data are 20 years old and during that time, the traffic in the area doubled: the estimation is incorrect because it is based on data that are not representative of the current situation).

The reasons of these errors can be multiple: lack of understanding, sensor error, transmission error, context error, etc…

Concept of the learning arrangement

The base idea of this project is to raise or sharpen awareness on data quality problems in machine learning, for everyone, with or without prior knowledge in the area of computer science. For that, two levels of difficulty will be implemented:

• „beginner“: requiring neither background in machine learning nor coding skills, the participants of this level will be able to follow a lecture and play with online widgets (with H5P, see following) to assess the consequence of some actions/changes of values on the algorithms.
• „advanced“: targeting learners with basic coding skills. The participants will follow the lecture while working with interactive code cells (in Python, with Jupyter Notebook).

Example of an H5P widget:

Example of a Jupyter Notebook interactive cell (screenshot):

To better combine theoretical knowledge and applications to the real world, the course will be based on examples and data that are used in research. This way, the learner can instantly see and connect what is learned in the course with what is done in the world. For instance, in the first problem the students will have the chance to work on the problem of „trajectory prediction“ of ships, using AIS data (data sent by any ship at sea, containing various information about the location, speed, or status of the ship).

As data quality can vary much depending on the type of data, we chose to focus on 3 different types of data:

• numerical data: data containing mostly numerical values; the simplest type of data to be processed, in this case logistics data (such as AIS data).
• image data: a representation of the pixels constituting an image.
• text data: a harder task for evaluating data quality, where the information is expressed in natural language (sentences).

Each of these 3 types of data constitute a learning block, which ends with a quiz, allowing the learner to check the progress and how much was understood from the lecture. For the advanced level, an additional practical task is proposed, to be solved in Python.

The whole lecture is hosted online, for both the beginner and advanced levels. The students of the advanced level can work with interactive code cells inside the lecture: the language of teaching is Python, as we think it is the most suited language to work with machine learning, given that many open source libraries are available and the language itself is fairly easy to learn.

Context of the project

The project is developed by the Institute for Software Systems (STS) at the TUHH, under the supervision of Prof. Sibylle Schupp.
The STS institute specializes in the following research fields: model checking and abstract interpretation, software quality and verification, and data protection and machine learning.

The collaborators of QuaXP previously worked on a related project: MaLiTuP (Machine Learning in Theory and Practice), a collaboration between the Institute of Maritime Logistics (MLS) and the STS institute, which successfully developed a beginner course in machine learning for students in maritime logistics. With this project, we gained experience in teaching with Python and Jupyter Notebook, as well as in designing lectures and tasks for beginners in machine learning.

Key dates

The development of the 3 learning blocks is expected to take one year. The first part of the course, about numerical data, will be tested and refined with students internally at the TUHH in the summer semester of 2020.
Around October 2020, we expect to have the first two chapters (numerical and image data) openly available online. The last chapter is expected to be finished by the end of the year.

Related links

• „If Your Data Is Bad, Your Machine Learning Tools Are Useless“ by Thomas C. Redman (Harvard Business Review blog): https://hbr.org/2018/04/if-your-data-is-bad-your-machine-learning-tools-are-useless
• „The quest for high-quality data“ by Ihab Ilyas and Ben Lorica: https://www.oreilly.com/radar/the-quest-for-high-quality-data/
• More about AIS data:
  • http://www.imo.org/en/OurWork/Safety/Navigation/Pages/AIS.aspx
  • https://www.navcen.uscg.gov/?pageName=AISmain
• STS institute: https://www.tuhh.de/sts/institute.html
• MaLiTuP project:
  • https://www.tuhh.de/sts/research/data-protection-machine-learning/malitup.html
  • https://www.tuhh.de/alt/mls/research/current-projects/malitup.html
• (1) „Machine Learning for Recruiting and Hiring – 6 Current Applications“ by Kumba Sennaar (Emerj): https://emerj.com/ai-sector-overviews/machine-learning-for-recruiting-and-hiring/
• (2) „My Analysis from 50+ papers on the Application of ML in Credit Lending“ by Simeon Kostadinov (towardsdatascience blog): https://towardsdatascience.com/my-analysis-from-50-papers-on-the-application-of-ml-in-credit-lending-b9b810a3f38
• (3) „11 AI Usecases in Customer Service in 2020: In-depth Guide“ (AIMultiple blog): https://blog.aimultiple.com/customer-service-ai/

Am 05. März 2020 haben sich die aktuell bestehenden Landesinitiativen und Netzwerke aus 11 Bundesländern an der Technischen Universität Hamburg getroffen, um gemeinsam Synergiepotenziale auf strategischer und operativer Ebene hinsichtlich einer stärkeren netzwerkübergreifenden Zusammenarbeit zu identifizieren. Das Treffen wurde organisiert und koordiniert im Rahmen des BMBF-geförderten Projektes BRIDGING. Netzwerkübergreifend wurden in dem Workshop mehr als 160 Hochschulen aus ganz Deutschland repräsentiert.

Im Ergebnis wurden Handlungsfelder diskutiert in denen die strategische und operative Zusammenarbeit gestärkt werden soll. In BRIDGING untersuchen Forscher*innen auf Ebene von Landes-Hochschulverbünden den Transfer digitaler Hochschulbildungskonzepte in Fachdisziplinen. Erste Ergebnisse zeigen, nicht wirklich überraschend, dass zahlreiche thematische Überschneidungen und ähnliche Herausforderungen in den Hochschulverbünden, Landesinitiativen und Netzwerken bestehen. Vor dem Hintergrund, dass Digitalisierung nicht an einzelnen Landesgrenzen oder Stadttoren halt macht, ist es umso wichtiger sich auch aus der Hamburg Open Online University (HOOU) heraus aktiv an einem bundesweiten Diskurs zu beteiligen. Denn schlussendlich geht es um das was Hochschulen in digitalen Zeiten in Lehre, Forschung und Transfer umtreibt

Am Samstag Abend des #OERcamp meets Hacks’n’Tools an der HAW Hamburg haben wir wie schon beim stARTcamp im September einen UnPodcast aufgezeichnet. In diesem UnPodcast wurde das Publikum zu Teilgebenden, indem sie selbst Themen einbringen. Zu Beginn der Aufzeichnung erklärt Moderator Christian Friedrich den Ablauf. Wer diesen Teil überspringen möchte, kann einfach mithilfe der Kapitelmarken direkt in das Kapitel mit der ersten Teilgebenden Nele Hirsch springen.

Feedback:
@HOOU_HAW
#OERcamp #HOOUitYourself #HamburghOERteinHOOU
E-Mail: team_hoou@haw-hamburg.de

Shownotes
@ebildungslabor Nele Hirsch: offene Webtools
ebildungslabor.de/blog/samr-remix

@Foorbie Marina Braun
Teachers for Future

@matkost04 Matthias Kostrzewa
OER als Einstieg in die “digitale Welt”
digill.de/

@verocomics Véro
Wissenschaftscomics, Graphic Thinking und mit Bildern schreiben
www.helmholtz.de/comic

@DominicOrr Dominic Orr
#ReuseFirst
Der erste Prototyp: ai-bingo.glitch.me/

@anjalorenz Anja Lorenz
Ungewollt Feministin
@wievielefrauen @pinkstinks @machmirdiewelt
www.speakerinnen.org

@AnneLoalala Anne Peters
Lernen ohne Aufgaben
www.loa.jetzt
www.Loa-Lernfreunde.de

Digitalisierung wird häufig als sehr technisches Phänomen verstanden. Viel wichtiger ist jedoch für Dr. Tina Ladwig, dass Digitalisierung an Hochschulen auch und insbesondere ein soziales Phänomen ist, welches nur gemeinsam, gemeinschaftlich und damit kooperativ gestaltet werden kann.

Es geht ihr um das Bewusstsein und die Offenheit, verschiedene Gestalter*innen im Kontext der Digitalisierung an Hochschulen zusammenzubringen und ihre Perspektiven, Ansichten und individuellen Expertisen wertzuschätzen und aktiv zusammenzubringen. Tina Ladwig spricht in unserer aktuellen Folge, in ihrer Funktion als Teamleiterin der HOOU an der TU Hamburg darüber, welche Bedeutung Vernetzung, Zusammenarbeit und Kooperation für sie persönlich aber auch für sie in ihrem Arbeitsalltag einnimmt.

Dr. Tina Ladwig ist Projektleiterin der Hamburg Open Online University (HOOU) an der TU Hamburg. Das heißt, sie ist an den verschiedenen strategischen aber auch operativen konzeptionell-technischen Weiterentwicklungen der HOOU@TUHH beteiligt.

Nach dem Projektstart von Lectures for Future im Januar ist das Team um Kerstin Kuchta und Ruth Schaldach dabei eine digitale Ringvorlesung aufzubauen. Diese werden ab  Oktober 2020 als interaktive Vorlesungen in Form von OERs zu den  Themenfeldern Energie, Wasser und Böden unter Einbeziehung der  Abfallressourcenwirtschaft online gehen. 

Das Projekt Lectures for Future setzt sich zum Ziel digitale  Ringvorlesungen mit transdisziplinären Betrachtungen zu aktuellen  Umweltherausforderungen in der Universitätslandschaft als neue wissenschafltiche Kommunikationsform zu implementieren. Globale Herausforderungen brauchen transdisziplinäre Betrachtungen, um basierend auf Analysen Lösungsansätze zu entwickeln. Mit einer heterogenen wissenschaftlichen Community zu den Themen von Lectures for  Future zu arbeiten und OERs zu produzieren sehen wir als Chance eine Community  of Practice zu etablieren, die auch den Open Science Gedanken weiterträgt. Dies fördert die Digital Literacy und eröffnet neue Wege der wissenschaftlichen Kommunikation.

Vision: Durch die Etablierung einer Open Science Kultur, insbesondere Wissen für Lösungsansätze brennender Umweltherausforderungen zugänglich zu machen und so gemeinsam global Ansätze zu erarbeiten die lokale positive Veränderungen bewegen. 

Ausschreibung: Bis zum 12. April können Sie sich mit Ihrem Thema bewerben.

Verantwortlich
Prof. Dr.-Ing. Kerstin Kuchta
Dr. rer. pol. Ruth Schaldach
Tina Carmesin
Sascha Diedler
Carla Orozco Garcia

Kontakt: lecturesff@tuhh.de

Mit der Kick-Off-Veranstaltung am 05. Dezember 2019 sind die neuen HOOU-Projekte an der Technischen Universität Hamburg gestartet.

Bis Juli 2019 konnten Professor*innen und Mitarbeitende der TU Hamburg Anträge für die Entwicklung innovativer Lehr- und Lernprojekte einreichen. Dabei sollen neue Wege des Lehrens und Lernens im digitalen Raum beschritten werden. Ob es um das Experimentieren mit neuen didaktischen oder methodischen Formaten, das Entwickeln anderer Darstellungs- und Vermittlungsformen von Wissen, das Erproben von neuen Kollaborations- und Kooperationswegen oder das Ausprobieren neuer technischer Möglichkeiten geht – der Kreativität waren keine Grenzen gesetzt.

Bei dem Kick-Off stand die Vernetzung und der Austausch zwischen den bereits geförderten und den neu geförderten HOOU-Projekten im Vordergrund. In lockerer Atmosphäre wurden die unterschiedlichen Projektideen vorgestellt, Potenziale der Zusammenarbeit zwischen den Projekten gefunden und das neue HOOU-Jahr an der TU Hamburg eingeläutet.

Die neu geförderten Projekte können dabei unterschiedlicher nicht sein: von einer digitalen Ringvorlesung über ein selbstgesteuertes Lernangebot zur handlungsorientierten Reflektion von Digitalisierung und Nachhaltigkeit bis hin zu interaktiven Datenanalysen des maschinellen Lernens ist alles dabei. Somit sind die neuen HOOU-Projekte eine wunderbare Ergänzung für das HOOU-Portfolio an der TUHH. Eine Übersicht über alle HOOU-Projekte an der TUHH finden Sie unter https://hoou.tuhh.de/projekte/.

Wir werden an dieser Stelle auch weiterhin berichten, was in den verschiedenen Projekten passiert – Augen auf!

Autorin: Jennifer Lehmann

Kniffelix hat ein neues Rätsel. Seit Mitte Oktober ist das neue Hubschrauber Rätsel auf Kniffelix online. Auf der HOOU Plattform ist es seit Dezember als Lernangebot zu finden.

Wie ist das Rätsel aufgebaut?

Wir kommen von einer Alltagsbeobachtung, nämlich die Beobachtung eines Modell-Hubschraubers auf dem Flugplatz vom Heli Club Hamburg, zu einer Fragestellung. Gemeinsam mit den Besuchern des Hubschrauber Rätsels wollen wir herausfinden, wie man eigentlich von einer Idee, die man im Kopf hat (z.B. einem Hubschrauber), zum tatsächlichen Produkt kommt. Was braucht man also alles, um aus der Idee ein Produkt zu machen!? 

Das Rätsel wird in Form von aufeinander aufbauenden Missionen durchlaufen. Das kann im eigenen Tempo geschehen, da man immer wieder dort einsteigen kann, wo man aufgehört hat.

In den Missionen gibt es verschiedene Videos, Quizze und Aufgaben.

Außerdem haben die Teilnehmenden die Möglichkeit ihre Ergebnisse in der Community zu zeigen und sich auszutauschen. Man kann also online richtig mitarbeiten.

Im Exkurs des Hubschrauber Rätsels zeigen wir Interviews zur Studien- und Berufsorientierung.

Worum geht es im Hubschrauber Rätsel?

Im Hubschrauber Rätsel geht es darum, dass Zeichnungen benötigt werden, um ein Produkt herstellen zu können. Wir üben gemeinsam das Zeichnen in 2D, nämlich die Seitenansicht, die Vorderansicht und die Draufsicht, sowie das Zeichnen in 3D. Hierfür zeichnen wir erst einfache Formen und anschließend den Hubschrauber perspektivisch auf Isometriepapier.

Damit das Zeichnen des Hubschraubers leichter ist, wird vorher ein Modell gebaut anhand dessen dann die Zeichnungen erstellt werden. Dies kann aus Lego sein, aber man kann auch kreativ werden und ganz andere Materialien verwenden.

Für wen eignet sich das Rätsel und der Exkurs?

Das Rätsel eignet sich für die Klassenstufen 3-8, aber natürlich auch für interessierte Jugendliche und Erwachsene. Gerade das räumliche Sehen und somit das perspektivische Zeichnen ist auch für viele Jugendliche und Erwachsene immer noch eine Herausforderung. Das Hubschrauber Rätsel bietet die Möglichkeit sich noch mal ganz ohne Druck damit zu beschäftigen. Das Rätsel kann sowohl mit einer Klasse im Unterricht als auch alleine Zuhause durchgeführt werden.

Der Exkurs zur Studien- und Berufsorientierung eignet sich besonders für Schüler*innen kurz vor dem Abschluss.

Ein kurzes Video mit Erklärung zum Rätsel

In diesem Video erkläre ich kurz, worum es im Hubschrauber Rätsel geht.

„Bisher konnte noch nicht bewiesen werden, dass irgend etwas in der Mathematik schwierig ist“, sagte einst der Mathematik-Professor Norbert a’Campo. Und das wiederum sagt sich so einfach, mögen einige denken, vor dem Hintergrund, dass viele Menschen sich auf dem Weg zum Schulabschluss, Abitur, Vordiplom oder was auch immer durch Zahlen – und die auch noch in „komplexer“ Variante -, Graphen, Funktionen, Wahrscheinlichkeiten kämpfen mussten und dabei der Verzweiflung recht nahe gewesen sein mögen.
Wie kommt es, dass Mathematik auf einige so eine Faszination ausübt, für andere eine Qual darstellt? Letzteres mag an der Abstraktheit liegen, Mathematik scheint manchmal zu abgehoben, fern von der Praxis und dem Alltag.
Mit dem jetzt online gegangenen OER „Terraforming Math“ wird der Versuch unternommen, Mathematik „auf die Erde zurückzuholen“, nahbarer zu machen. Was eignet sich da noch mehr, als Games. Wir spielen alle mehr oder weniger. Warum nicht Mal mathematische Prinzipien spielerisch trainieren?
„Terraforming Math“ funktioniert anhand des Prinzips „Lernen-durch-Spielen“, und das mit unterschiedlichen Ansätzen: So werden zum Beispiel Ableitungsregeln und die Bruchrechnung durch gamifizierte Übungsaufgaben trainiert, während andere Spiele dazu da sind, mathematische Formeln mit einem intuitiven, anschaulichen Verständnis zu hinterlegen, so dass die Bedeutung der Formeln leichter verstanden werden kann.

Neugierig geworden? Dann probiere es jetzt aus: https://www.hoou.de/projects/terraforming-math-mathe-spiele-zur-analysis-der-ingenieurswissenschaften/preview

„Wir Mathematiker sind die wahren Dichter…“, sagte ein weiterer Mathematiker einst. In diesem Sinne: „Want to go the right Math-learning-path? Try Terraforming Math!“

Wer noch mehr über das Projekt und die Menschen dahinter erfahren möchte, möge doch bitte dem Podcast dazu lauschen:

https://soundcloud.com/hamburghoerteinhoou/spielerisch-mathe-lernen

In unserer Immersive Learning VR-Anwendung geht es um die Erfahrbarkeit und das Zusammenspiel architektonischer Gestaltung und des Orgelbaus im Raum.

Du bist der Architekt, der eine leere Location betritt, in die eine Orgel eingebaut werden soll. Dafür werden Dir verschiedene Werkzeuge zur Verfügung gestellt. Sowohl Grundformen zur äußeren Gestaltung, als auch speziellere Bauteile, wie Orgelpfeifen, Kästen und Dekor-Elementen stehen dir dabei zur Verfügung. 
Diese können über ein Menü ausgewählt, platziert sowie bearbeitet werden. Die Farben und Materialien der Elemente können dabei ebenfalls verändert werden. Der Architekt befindet sich in einer virtuellen Bauumgebung und soll das Gefühl vermittelt bekommen, er sei im Rahmen der Möglichkeiten, die ihm die Werkzeuge zur Verfügung stellen, vollkommen frei in dem, was er dort tut und entwirft. Dabei kann er sich in der Location frei bewegen und beliebig viele Objekte an jedem erreichbaren Ort platzieren.

Die Immersive Learning VR-Installation entstand in Kooperation mit dem Museum für Kunst und Gewerbe Hamburg und ist noch bis zum 3. November 2019 in der Ausstellung „Manufaktur des Klangs“ zu erleben.

Credits: Ein HOOU-Projekt der HfMT Hamburgin Zusammenarbeit mit dem Multimedia Kontor Hamburg.
Projektleitung HfMT: Frank Böhme
Projektkoordination HOOU@HfMT: Goran Lazarevic
Produktionsleitung MMKH: Jan Oellrich, Philippe Czerlinski
Entwicklung und Konzept MMKH: Sebastian Olariu 
Modellierung, Konzept und Design MMKH: Leonhard Onken-Menke
Beratung und Musik:Thomas Cornelius, Auszug aus „Schöpfung-Introduktion“