Alle Lernmaterialien für deinen Kurs Machine Learning for Engineers I - Introduction to Methods and Tools

Du wirst in die grundlegenden Konzepte des maschinellen Lernens eingeführt, die das Fundament für weitere Themen in diesem Bereich bilden.

• Definierung von maschinellem Lernen
• Kategorien maschineller Lernmethoden
• Unterschied zwischen traditionellen Algorithmen und ML-Algorithmen
• Grundlagen der Datenverarbeitung
• Übersicht über Anwendungen des maschinellen Lernens in verschiedenen Bereichen

Dieser Abschnitt untersucht die Unterschiede zwischen überwachten und unüberwachten Lernmethoden und stellt typische Algorithmen für beide Ansätze vor.

• Definition und Unterschiede zwischen überwachten und unüberwachten Lernverfahren
• Beispiele und Anwendungsfälle für überwachte Lernverfahren wie Regression und Klassifikation
• Typische Algorithmen des unüberwachten Lernens: Clustering und Assoziationsanalyse
• Anforderungen an die Datenvorbereitung für beide Lernmodi
• Evaluierungskriterien für die Leistung dieser Algorithmen

Dieser Abschnitt bietet eine Einführung in neuronale Netze, welche die Grundlage für tiefergehende Studien im Bereich Deep Learning bilden.

• Grundlagen der neuronalen Netze und ihre biologischen Inspirationen
• Architekturen von neuronalen Netzen: Schichten, Neuronen und Gewichte
• Aktivierungsfunktionen und ihre Rolle in neuronalen Netzen
• Training von neuronalen Netzen mittels Backpropagation
• Übersicht über verschiedene Typen von neuronalen Netzen, wie CNNs und RNNs

Hier lernst Du, wie ML-Modelle analysiert und bewertet werden, um ihre Leistung und Generalisierbarkeit sicherzustellen.

• Trainings-, Validierungs- und Test-Sets: Aufbau und Bedeutung
• Metriken zur Bewertung der Modellleistung: Genauigkeit, Präzision, Recall etc.
• Kreuzvalidierungstechniken und ihre Anwendung
• Vermeidung von Overfitting und Underfitting
• Modelleinsatz und Performanceüberwachung im realen Betrieb

Die praktische Anwendung wird durch die Nutzung von Python und spezialisierten Bibliotheken vermittelt, um ML-Modelle zu erstellen und zu implementieren.

• Einführung in Python für maschinelles Lernen
• Nutzung von NumPy und Pandas für Datenvorverarbeitung
• Anwendung von Scikit-Learn für maschinelles Lernen
• Verwendung von TensorFlow und Keras für neuronale Netze
• Beispiele und praktische Übungen zur Implementierung von ML-Modellen