taralino | Maschinelles Lernen

Maschinelles Lernen

Grundlegende und fortgeschrittenen Verfahren sowie ausgewählte Anwendungen. Unsere Orientierungshilfe unterstützt dich dabei, ein wenig den Überblick zu behalten.

Orientierungshilfe

Neuronale Netze 1

Das Nervensystem als Vorbild: Wie künstliche neuronale Netze als binäres Modell aufgebaut sind

Neuronale Netze 2

Verallgemeinerungen und Verbesserungen: Wie das Potenzial neuronaler Netze gesteigert werden kann

Neuronale Netze 3

Daten, Daten, Daten: Wie künstliche neuronale Netze trainiert und getestet werden

Neuronale Netze 4

Vertiefung der Trainingsphase: Welche Parameter wichtig sind und was berücksichtigt werden sollte

Neuronale Netze

Ein zentrales Verfahren der Künstlichen Intelligenz und Einstiegspunkt in den Bereich des Deep Learnings

Trainings- und Testphase

Wie neuronale Netze zur Lösung von Klassifikationsaufgaben trainiert und getestet werden können

mit Projektaufgabe

Parameter der Trainingsphase

Welche Parameter die Trainingsphase neuronaler Netze beeinflussen und was dabei zu berücksichtigen ist

mit Projektaufgabe

Mustererkennung

Wie handgeschriebene Ziffern oder Strichzeichnungen unter Verwendung neuronaler Netze klassifiziert werden können

mit Projektaufgabe

Faltungsnetzwerke

Einstieg ins Deep Learning: Mustererkennung verbessern dank Vorverarbeitung der Bilder

mit Projektaufgabe

Sentimentanalyse

Ein grundlegendes Beispiel, wie Texte unter Verwendung neuronaler Netze verarbeitet werden können

mit Projektaufgabe

Bildgenerierung

Autoencoder als Spezialfall neuronaler Netze zur Erzeugung von Bildern sowie Ausblick auf Generative Adversarial Networks

mit Projektaufgabe

Nächste-Nachbarn-Verfahren

Ein vergleichsweise einfaches und anschauliches Verfahren zur Lösung von Klassifikationsaufgaben

mit Projektaufgabe

Empfehlungssysteme

Die Nächste-Nachbarn-Bestimmung als grundlegender Baustein, um ein Empfehlungssysteme aufzubauen

k-Means-Algorithmus

Wie Daten bezüglich ihrer Ähnlichkeit analysiert und in Gruppen zusammengefasst werden können

mit Projektaufgabe

Bildsegmentierung

Ein Anwendungsfall der Clusteranalyse: Wie Bilder auf geeignete Art und Weise komprimiert werden können

mit Projektaufgabe

DBSCAN-Algorithmus

Je nach Struktur der Daten kann es bei der Clusteranalyse sinnvoll sein, dichtebasierte Verfahren einzusetzen

mit Projektaufgabe

Entscheidungsbäume

Was Entscheidungsbäume sind und wie diese zur Lösung von Klassifikationsaufgaben beitragen können

mit Projektaufgabe

Mehrere Entscheidungsbäume bilden gemeinsam einen Random Forest, um Klassifikationsaufgaben zuverlässiger lösen zu können

mit Projektaufgabe

Lineare Regression

Analyse linearer Abhängigkeiten zwischen Eingangsdaten und einem vorherzusagendem Ergebnis

mit Projektaufgabe

Logistische Regression

Regressionsanalyse für Datensätze, bei denen ein binäres Ergebnis vorherzusagen ist (binäre Klassifikationsaufgabe)

mit Projektaufgabe

Singulärwertzerlegung

Was die Singulärwerte einer Datenmatrix sind und wie diese zur Bildkompression eingesetzt werden können

mit Projektaufgabe

Hauptkomponentenanalyse

Eine Methode basierend auf der Singulärwertzerlegung mit zahlreichen Anwendungen im Data Science

mit Projektaufgabe

Ein anschauliches Beispiel, um sowohl Singulärwertzerlegung als auch Hauptkomponentenanalyse genauer zu verstehen

mit Projektaufgabe

Reduktionsverfahren

Wie die Anzahl der Merkmale eines Datensatzes reduziert werden kann und dennoch wichtige Eigenschaften erhalten bleiben

mit Projektaufgabe

Spezielle künstliche neuronale Netze mit zahlreichen Einsatzgebieten, z.B. Dimensionsreduktion und Erkennung von Anomalien

mit Projektaufgabe

KI lernt spielen

Wie neuronale Netze zusammen mit genetische Algorithmen eingesetzt werden können, um Computerspiele zu erlernen