2302200 – Praktisches Machine Learning

In den letzten Jahren wurden im Bereich der künstlichen Intelligenz (KI) bemerkenswerte Fortschritte erzielt. Maschinelles Lernen (ML) ist eine Teildisziplin der KI, welche versucht, Techniken zu entwickeln, die Computer in die Lage versetzen, aus Daten zu lernen. Ziel von ML-Methoden ist es, das zugrunde liegende Modell für bestimmte Aufgaben zuverlässig zu abstrahieren. In der Vorlesung Praktisches Machine Learning (PML) werden die theoretischen Grundlagen sowie die grundlegenden Konzepte und Techniken des maschinellen Lernens behandelt, wobei der Fokus jedoch auf Problemlösung und praktischer Anwendung liegt. Die Vorlesung bietet die Möglichkeit, verschiedene ML-Algorithmen und ihre Anwendungen in verschiedenen Bereichen zu erkunden, darunter Computer Vision, Natural Language Processing und Data Mining. Während der Vorlesung bekommen Sie die Möglichkeit, an verschiedenen Anwendungsaufgaben und einem Gruppenprojekt zu arbeiten, in dem Sie die erlernten Konzepte auf reale Datensätze anwenden. Sie lernen, wie Sie gängige Bibliotheken und Tools für ML wie Scikit-Learn, TensorFlow und Keras verwenden und auf reale Datensätze anwenden. Sie lernen auch, wie Sie die Leistung Ihrer Modelle bewerten und ihre Ergebnisse interpretieren können. Der Vorlesungsstil wird eine Mischung aus Theorie und praktischen Anwendungen sein, wobei der Schwerpunkt auf Problemlösung und praktischem Experimentieren liegt. Der theoretische Teil der Vorlesung wird als Blockveranstaltung zu Beginn des Semesters (Anfang/Mitte April) angeboten. Anschließend haben die Studierenden die Möglichkeit, während des Semesters allein oder in Kleingruppen eine Fragestellung aus dem Bereich des MLs zu bearbeiten und Ihre Ergebnisse in Form eines wissenschaftlichen Aufsatzes zu präsentieren. Die Qualitätssicherung des Aufsatzes erfolgt durch einen gegenseitigen Peer-Review-Prozess, bei dem die Studierenden vom wechselseitigen Feedback sowohl in fachlicher Hinsicht als auch hinsichtlich der inhaltlichen Darstellung profitieren. Das Modul behandelt die Grundlagen und Konzepte des Machine Learning. Es werden u.a. folgende Themen behandelt: --> Einführung in maschinelles Lernen und seine Anwendungen. --> Datenvorverarbeitung und Techniken der Feature-Engineering. --> Überwachte und unüberwachte Lernalgorithmen. --> Deep-Learning-Techniken wie Convolutional Neural Networks und Recurrent Neural Networks. --> Transfer-Learning und Tiny ML. --> Evaluationsmetriken für ML-Modelle. --> Hyperparameter-Tuning und Modellauswahltechniken. --> Interpretation der Ergebnisse von ML-Modellen. … weitere interessante Themen.