Maschinelles Lernen ist ein Zweig der künstlichen Intelligenz und basiert auf dem
Gedanken, dass Systeme aus Daten lernen, Muster erkennen und Entscheidungen treffen
können. Verbesserte Algorithmen und gesteigerte Rechenleistung haben in den letzten
Jahren zu einer Explosion von Anwendungen in medizinischen, diagnostischen und
wissenschaftlichen Bereichen geführt.
Dieses Seminar bietet eine Einführung in die theoretischen Grundlagen des Maschinellen
Lernens. Dabei werden sowohl Methoden (Optimierung, überwachtes/unüberwachtes
Lernen, Datenaufbereitung) als auch Algorithmen (Support-Vector-Maschinen,
Entscheidungsbäume, Künstliche Neuronale Netze) behandelt. Zudem werden
Anwendungsgebiete vorgestellt und Stärken und Schwächen des Maschinellen Lernens
beleuchtet.
Begleitend werden die erlernten Konzepte dabei am Beispiel eines bereitgestellten
Neuronalen Netzes Schritt für Schritt praktisch angewendet, sodass jede/jeder
Studierende am Ende ein vollständiges funktionierendes N.N. erarbeitet hat.
Es werden keine mathematischen Vorkenntnisse oder Programmiererfahrungen
vorausgesetzt.
- Lehrende/r: Krischan Alexander Koerfer
- Lehrende/r: Markus Lappe
- Lehrende/r: Nils Winter