|
Beschreibung:
|
Die Wissenschaft des Maschinellen Lernen befasst sich mit
künstlichen intelligenten Systemen, die unter Ausnutzung von
Erfahrung ihre Leistungsfähigkeit automatisch verbessern.
Umgesetzt wird das maschinelle Lernen indem einem Algorithmus eine
Menge von Daten übergeben wird. Aufgabe des Algorithmus ist
das Auffinden von Mustern und Eigenschaften in diesen Daten. Das
daraus resultierende Wissen kann u.a. für
Klassifikationsaufgaben, Mustererkennung oder Vorhersagen
eingesetzt werden. Entsprechend weit gefächert sind die
Anwendungen des maschinellen Lernens, z.B.
- Warenkorb- und Kundenanalyse, z.B. für das Erstellen von
Empfehlungen oder für Direktmarketingmaßnahmen
- Marktanalysen und Vorhersagen
- Mustererkennung in Bild, Schrift, Video oder Sprachdaten
- Computer Vision, z.B. das Verstehen und Interpretieren von
Bild- und Videodaten
- Websuche/Webmining
- Social Media Mining
- Natural Language Processing
- Robotik
- Gaming
- Biotechnologie: Genanalyse
Im Kontext Big Data kommt den Machine Learning Algorithmen zentrale Bedeutung bei.
Nach einem einführenden Überblick und einer Bezugnahme
des maschinellen Lernens zur Künstlichen Intelligenz werden
zunächst wesentliche Begriffe, Konzepte und Kategorisierungen
des maschinellen Lernens vorgestellt.
Kernbestandteil der Vorlesung sind die
Algorithmen und Verfahren des maschinellen Lernens, ihre Funktion,
Anwendungsgebiete, Leistungsmerkmale und Einschränkungen.
Zeitlich strukturiert wird dieser Bereich durch die Unterteilung
in
- Überwachtes Lernen
- Unüberwachtes Lernen
- Bestärkendes Lernen
Zur Realisierung dieser Lernformen werden folgende Algorithmen
detailliert vorgestellt:
- Parametrische Lernverfahren
- Neuronale Netze: herkömmliche und tiefe neuronale Netze
- Support Vector Maschinen (SVMs)
- Gauß Prozesse
- Maschinelles Lernen mit sequentiellen Daten, Hidden Markov Modelle
- Clusteringalgorithmen
- Assoziationsanalyse
- Q-Learning
Neben den Lernverfahren werden auch die notwendigen Vorverarbeitungsschritte wie Standardisierung, Feature Selection und Feature Extraction behandelt.
Das Verständnis der Verfahren erfordert Kenntnisse aus der
Wahrscheinlichkeitstheorie, der Entscheidungstheorie, der linearen
und nicht-linearen Algebra und der Analysis. Diese Kenntnisse
werden in der Vorlesung dort wo sie gebraucht werden erschlossen,
erfordern jedoch die entsprechende Lernbereitschaft der Studenten.
Die praktische Umsetzung der Machine Learning Verfahren wird in der Vorlesung in Form von Beispielen beschrieben. Diese Demos sind als iPython Notebooks implementiert.
Die Vorlesung setzt nicht den Besuch der MIB Veranstaltung Einführung in die künstliche Intelligenz voraus. Die inhaltliche Überschneidung mit dieser MIB-Vorlesung ist so gering wie nur möglich und begrenzt sich auf die Neuronalen Netze und den Naive Bayes Classifier.
|
