Dr. Andreas Arnold

In diesem Modul werden Algorithmen des maschinellen Lernens und deren Anwendung auf praktische Problemstellungen vermittelt. Nach erfolgreicher Teilnahme an diesem Modul sind Studierende in der Lage, die grundlegenden Prinzipien von lernenden Systemen zu verstehen und diese auf Problemstellungen anzuwenden.

Sie kennen insbesondere:

• die unterschiedlichen Arten des Lernens aus Daten
  
• die grundlegenden Algorithmen des maschinellen Lernens und deren Implementierung in Python
  
• die mathematischen Grundlagen Neuronaler Netze und dessen Training
  
• die Implementierung Neuronaler Netze in einem Deep Learning Framework mit PyTorch
  
• die Möglichkeiten zur Bewertung von maschinellen Lernverfahren
  
• die wichtigsten Klassifikations- und Regressionsmethoden und deren Bewertung
  

Inhalte:

• Arten des Maschinellen Lernens (Überwachtes und Unüberwachtes Lernen, Verstärkendes Lernen)
  
• Lineare Regression
  
• k-Nearest Neighbor Klassifikation
  
• Logistische Regression
  
• Multinomiale Klassifikation
  
• Over- und Underfitting (Bias-Varianz Zerlegung)
  
• Generalisierung und Kreuzvalidierung
  
• Grundlagen und Anwendung Neuronaler Netze
  
• Feedforward Neural Networks (Multi-Layer Perceptron)
  
• Training Neuronaler Netze (Gradientenabstiegsverfahren und Backpropagation)
  
• Evaluationsmetriken
  
• Probleme bei der Modellierung und Datenaufbereitung (Missing Values, Imbalanced Data, Outlier)