@phdthesis{Schmahl2022,
  type      = {Master Thesis},
  author    = {Ines Schmahl},
  title     = {Implementierung einer Machine Learning-Kollektion als Open Educational Resources},
  url       = {https://nbn-resolving.org/urn:nbn:de:hbz:79pbc-opus-19657},
  pages     = {36},
  year      = {2022},
  abstract  = {Die Entwicklungen im Bereich der Informations- und Kommunikationstechnologie haben v{\"o}llig neue M{\"o}glichkeiten des Datenaustausches und der Zusammenarbeit geschaffen. Das zeigt sich auch in der Lehre. Hier hat sich der Begriff der Open Educational Resources (OER) entwickelt, womit frei zug{\"a}ngliche Bildungsmaterialien bezeichnet werden. Um dieses Potential aussch{\"o}pfen zu k{\"o}nnen, braucht es innovative Herangehensweisen. In dieser Arbeit wird ein neuer Ansatz vorgestellt. Anstatt Lehrmaterialien als Teil eines didaktischen Konzeptes zu betrachten, werden sie als Objekte einer digitalen Sammlung verstanden. Das erleichtert die Adaptierung der Materialien an die spezifischen Anforderungen von Lehrveranstaltungen. Konkret wird der Ansatz auf den Aufbau einer OER-Kollektion f{\"u}r Machine Learning angewendet. Denn gerade in diesem Bereich zeichnet sich ein hoher Bedarf an Kompetenzvermittlung ab, um Forschende auf die Anforderungen einer immer datenintensiveren Wissenschaft vorzubereiten. Die gewonnenen Erfahrungen werden im Fazit als Lessons learned zusammengefasst, um damit andere bei der Umsetzung {\"a}hnlicher Vorhaben zu unterst{\"u}tzen. Die OER-Kollektion ist zug{\"a}nglich {\"u}ber die Online-Plattform GitHub unter dem Link: https://github.com/Machine-Learning-OER-Collection/Machine-Learning-OER-Basics},
  language  = {de}
}