Grundlagen der Künstlichen Intelligenz VI
Grundlagen des Maschinellen Lernens
Dieser Kurs ist Teil der Kursreihe „Grundlagen der Künstlichen Intelligenz“, die eine Vielzahl von Algorithmen und Methoden behandelt, die für die KI von zentraler Bedeutung und von großer praktischer Relevanz sind.
Übersicht
Der Kurs „Grundlagen der Künstlichen Intelligenz VI“ führt in die mathematischen Grundlagen des überwachten Lernens ein und behandelt zwei in der Praxis weit verbreitete Lernalgorithmen ausführlich: Entscheidungsbaumlernen und neuronale Netze.
Die Teilnehmenden lernen, wie man diese Algorithmen auf praktische Probleme anwendet und wie man die Qualität eines gelernten Klassifikators bewertet. Der Kurs schließt mit einer Diskussion zu den Risiken und Herausforderungen des maschinellen Lernens ab.
Die Veranstaltung basiert auf dem Lehrbuch von Stuart Russell und Peter Norvig: Introduction to Artificial Intelligence, 3. Auflage, 2012 oder 4. Auflage, 2020. Die 3. Auflage ist auch auf Deutsch erhältlich: Stuart Russell und Peter Norvig: Künstliche Intelligenz – Ein Moderner Ansatz, 3. aktualisierte Auflage, Pearson 2012.
Der Kurs wird in englischer Sprache mit deutschen Untertiteln gehalten.
Welche Themen werden behandelt?
Modul Einführung in das Maschinelle Lernen
- Der lernende Agent – ein Rückblick
- Arten des Lernens
- Ockhams Rasiermesser
Modul Entscheidungsbaumlernen
- Boolesche Entscheidungsbäume
- Restaurant-Beispiel
- Overfitting (Überanpassung)
- Theoretische Eigenschaften
- Rekursiver Entscheidungsbaum-Lernalgorithmus
- Informationsgewinn und Entropie
- Entropie einer booleschen Variable
- Informationsgewinn
- Verwendung im Entscheidungsbaumlernen
Modul Neuronale Netze
- Einführung
- Geschichte der neuronalen Netze
- McCulloch-Pitts-„Einheit“-Modell eines Neurons
- Aktivierungsfunktionen
- Feedforward-Netzwerke
- Einschichtige Feedforward-Netzwerke
- Einschichtige Feedforward-Netzwerke
- Theoretische Eigenschaften und Begrenzungen
- Backpropagation-Algorithmus
- Beispiel: Rechtsabbiegen
Modul Bewertung, Herausforderungen und Risiken
- Ablauf des maschinellen Lernens
- Trainings- und Testdaten
- Lernkurve
- K-fache Kreuzvalidierung
- Bewertung eines booleschen Klassifikators
- Falsch positive und falsch negative Ergebnisse
- Genauigkeit, Sensitivität, Spezifität, Präzision
- F1-Score
- Risiken und Herausforderungen des maschinellen Lernens
- Statistische vs. kausale Modelle
- Falsche Vorhersagen mit hoher Zuversicht
- Universelle adversarielle Störungen
Was werde ich erreichen?
Am Ende des Kurses werden Sie in der Lage sein,
- die theoretischen Grundlagen von Machine-Learning-Algorithmen zu verstehen,
- einen gelernten Klassifikator zu bewerten,
- Entscheidungsbaum-Lernen auf praktische Probleme anzuwenden,
- neuronales Netzwerk-Lernen auf praktische Probleme anzuwenden,
- Herausforderungen und Risiken von Machine-Learning-Algorithmen zu verstehen
Welche Voraussetzungen muss ich erfüllen?
Keine.
