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

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

• 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.

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.