Machine Learning, Basis der KI, mit neuronalen Netzen

In diesem Kurs erhalten Sie eine praxisnahe Einführung in die Welt der künstlichen neuronalen Netze. Sie beginnen mit dem grundlegenden Baustein – dem Perceptron – und lernen, wie dieses einfache Modell aufgebaut ist, wie es funktioniert und wie es Entscheidungen trifft. Schritt für Schritt erweitern Sie Ihr Wissen und entwickeln darauf aufbauend komplexere Netzwerke.

Im Kurs werden Klassifizierungssbeispiele entwickelt, die aus messtechnisch ermittelten Daten eine Bewertung des Messergebnisses mittels eines Multi-Layer-Perceptron Netzwerkes ermöglichen. Für Mustererkennung in Daten bzw. Bildern kommt ein Convolutional-Neural-Net zum Einsatz, mit dem z.B. handschriftliche Ziffern erkannt werden können. Die Vorhersage von zukünftigen Ereignissen wie das Auftreten von Sonnenflecken wird mit einfachen rekurrenten neuronalen Netzen (simple RNN) und den RNNs mit “Gedächtnis-” und “Vergessensfunktion”, LSTM (Long Short Term Memory und GRU (Gated Restricted Unit), demonstriert.

Ein weiterer zentraler Bestandteil des Kurses ist die Datenvorverarbeitung. Sie erfahren, wie Eingangsdaten analysiert, bereinigt und in eine geeignete Form gebracht werden, um optimale Ergebnisse mit maschinellen Lernverfahren zu erzielen. Dabei lernen Sie bewährte Methoden und Werkzeuge kennen, die in der Praxis eingesetzt werden.

Am Ende des Kurses sind Sie in der Lage, eigene kleine ML-Projekte umzusetzen – von der Planung der Datenerfassung und der nachfolgenden Datenaufbereitung über die Modellierung bis hin zur Anwendung und Bewertung der Ergebnisse.

Voraussetzung: Kenntnisse entsprechend dem Kurs "Programmierung mit Python: Grundlagen".