- Überblick Maschinelles Lernen
- Lernformen: nicht überwachtes Lernen, verstärkendes Lernen, überwachtes Lernen
- supervised learning versus unsupervised learning
- classical learning versus deep learning
- Statistik versus Maschinelles Lernen
- Intelligente Agenten (KI-Systeme)
- Struktur von Agenten, Agentenprogramm, Agentenfunktion
- Agenten-Grundtypen
- Modellbasierter Reflexagent
- Lernender Agent
- supervised learning (Lernen mit Lehrer)
- Lernen aus Beispielen
- Trainingsmenge versus Testmenge
- Generalisierungsfähigkeit der gelernten Abbildung
- Problem der Überanpassung
- Neuronale Netze, Multi Layer Perceptrons
- Vom biologischen zum technischen Neuron
- Perceptron
- Nichtlineare Aktivierungsfunktionen
- Multi-Layer-Perceptrons (mehrschichtige neuronale Netze)
- Lernalgorithmus Backpropagation of Error
- Machine-Learning-Tool TensorFlow Keras
- Beispiele zu Regression und Klassifikation mit Multi Layer Perceptrons
- Beispiel: Multi Layer Perceptrons mit TensorFlow Keras
- praktische Tipps
- deep learning
- Beispiele und Demos zu deep learning
- Neuronale Netze, Convolutional Neural Networks (CNN)
- Grundidee und Topologie CNN
- Beispiele und Demos zu Convolutional Neural Networks / Deep Learning
- Beispiel: Convolutional Neural Networks mit TensorFlow Keras
- Neuronale Netze, Recurrent Neural Networks (RNN, LSTM)
- Grundidee und Topologie RNN
- Lernalgorithmus Backpropagation Through Time
- Long Short-Term Memory Networks (LSTM)
- Beispiele und Demos zu RNN und LSTM
- Support-Vektor-Maschinen
- Grundidee und Unterschied zu Neuronalen Netzen
- Kernel-Trick zur Garantie der Linearen Separierbarkeit in höheren Dimensionen
- Beispiele und Demos zu Support Vector Machines
- praktische Tipps
- unsupervised learning (Lernen ohne Lehrer)
- unsupervised classical learning
- clustering
- dimension reduction
- association
- unsupervised deep learning
- autoencoder
- Generative Adversarial Networks (GAN)
- Beispiel: Generative Adversarial Networks mit TensorFlow Keras
- Hinweise zu Tools, Internet-Quellen und Literatur
- Diskussion spezifischer Fragestellungen aus der beruflichen Praxis
LernzieleNach diesem Kurs kennen Sie wichtige Grundkonzepte des Maschinellen Lernens und können diese mit eigenen Daten und im Internet verfügbaren Tools anwenden.
ZielgruppenPersonen, die im weitesten Sinne mit dem Feld der Künstlichen Intelligenz in Berührung kommen. Mitarbeiter, die große Datenmengen analysieren möchten (artificial intelligence, machine learning). Personen, die große Datenmengen analysieren möchten (data science, data mining). Teilnehmer der Data Science Business Akademie.
