Methoden der KI VI – Maschinelles Lernen
In diesem Kurs wird das maschinelle Lernen anhand von Entscheidungsbäumen und neuronalen Netzen erklärt - zwei grundlegenden Lernalgorithmen, die für das überwachte maschinelle Lernen verwendet werden.
Übersicht
In diesem Kurs werden zwei sehr wichtige Lernalgorithmen für überwachtes Lernen vorgestellt: Entscheidungsbäume, die den modernen Boosting-Methoden zugrunde liegen, und neuronale Netze, die das Herzstück des Deep Learning bilden.
Der Kurs erklärt, wie man diese Algorithmen auf praktische Probleme anwendet. Es werden bewährte Praktiken für das Training und die Evaluation besprochen und Qualitätsmetriken wie accuracy, precision, und recall erklärt. Der Kurs schließt mit einer Diskussion zu die Risiken und Herausforderungen neuronaler Netze ab.
Dieser Kurs basiert auf den Kapiteln 19 und 21 des Lehrbuchs von Stuart Russell und Peter Norvig: Introduction to Artificial Intelligence - A Modern Approach.
Der Kurs wird in englischer Sprache mit deutschen Untertiteln gehalten.
Welche Themen werden behandelt?
- Arten des Maschinellen Lernens (unsupervised, supervised, reinforcement)
- Entscheidungsbäume
- Information gain und Entropy
- Neurale Netzwerke
- "Unit" Modell eines Neurons von McCulloch und Pitts
- Activierungsfunktionen
- Backpropagation Algorithmus
- Machine learning workflow
- Trainings- und Testdaten
- K-fold Crossvalidation
- Accuracy, sensitivity, specificity, precision, F1 score
Was werde ich erreichen?
Am Ende des Kurses sind Sie in der Lage
- maschinelles Lernen mit Entscheidungsbäumen und neuronalen Netzen zu verstehen und anzuwenden,
- einen trainierten Klassifikator zu bewerten,
- die Herausforderungen und Risiken von neuronalen Netzen zu verstehen.
Welche Voraussetzungen muss ich erfüllen?
Keine.
