Dieser Kurs richtet sich an Studierende im Medienunfeld (vorwiegend Nicht-Informatiker), die sich für die Schnittstelle zwischen Datenanalyse, Machine Learning und Medien interessieren. Voraussetzung sind Grundkenntnisse der Programmierung in JavaScript (SE1 bestanden)

In der heutigen Medienlandschaft spielen Daten eine zentrale Rolle. Die Fähigkeit, aus großen Mengen unstrukturierter Informationen wertvolle Einblicke zu gewinnen, ist entscheidend für den Erfolg von Medienunternehmen. Machine Learning (ML), ein Teilbereich der künstlichen Intelligenz, hat das Potenzial, diese Daten effizient nutzbar zu machen. Von der Personalisierung von Inhalten über die Optimierung von Werbekampagnen bis hin zur Vorhersage von Nutzertrends - die Anwendungsmöglichkeiten sind vielfältig. Dieser Kurs bietet eine Einführung in die Grundlagen des Machine Learnings mit einem speziellen Fokus auf Klassifikation und Regression, zwei der grundlegendsten Techniken in diesem Bereich, und deren Anwendung in der Medienbranche.

Inhalte:

Der Kurs gliedert sich in mehrere Abschnitte, die theoretische Grundlagen mit praktischen Übungen kombinieren. Die Teilnehmer lernen, wie sie Daten vorbereiten und verschiedene ML-Modelle trainieren. Für die Umsetzung der praktischen Übungen verwenden wir JavaScript sowie die Bibliothek ml5.js, die in Verbindung mit p5.js eine der einfachsten Bibliotheken für Machine Learning und deren Visualisierung im Web darstellt. (basierend auf Tensorflow)

1. Einführung in Machine Learning: Grundkonzepte, Unterschied zwischen überwachtem und unüberwachtem Lernen, sowie eine Übersicht über Klassifikation und Regression.
2. Datenverarbeitung: Methoden zur Datensammlung, -reinigung und -vorverarbeitung, um sie für ML-Modelle nutzbar zu machen.
3. Klassifikation: Lernen, wie man Daten in Kategorien einteilt, inklusive Text- und Bilderkennung.
4. Regression: Verwendung von ML-Techniken zur Vorhersage kontinuierlicher Werte.
5. Praxisprojekte: Anwendung des Gelernten in Form von kleineren Projekten im Bereich Bild-, Video-, Audioverarbeitung. Dazu ein paar Beispiele:

• Objekt- und Bilderkennung
• Verwenden von vortrainierten Neuronalen Netzen, wie z.B. PoseNet, HandMesh oder FaceMesh
• Trainieren von eigenen Neuronalen Netzen um Gesten zu erkennen
• Erkennung von Handschriften