Das Modul dieser Woche befasst sich mit grundlegenden Konzepten der Klassifizierung und vergleicht dabei diskriminative und generative Modelle. Sie werden die mathematische Theorie hinter generativen Modellen analysieren und so Einblicke gewinnen, wie diese Modelle die zugrunde liegende Datenverteilung erfassen, um Vorhersagen zu treffen. Zu den Schwerpunkten gehören die Formulierung des Modells der Gaußschen Diskriminanzanalyse (GDA) und die Herleitung mathematischer Ausdrücke für den Naive-Bayes-Klassifikator. Anhand detaillierter Herleitungen und Beispiele werden Sie verstehen, wie die einzelnen Modelle funktionieren und für welche Arten von Daten sie am besten geeignet sind. Am Ende dieses Moduls sind Sie in der Lage, sowohl GDA als auch Naive Bayes anzuwenden und das geeignete Modell anhand der Datenmerkmale und Klassifizierungsanforderungen auszuwählen.

Das Modul dieser Woche bietet eine Einführung in neuronale Netze und beginnt mit der Implementierung linearer und logistischer Regressionsmodelle. Sie werden untersuchen, wie neuronale Netze über lineare Grenzen hinausgehen, um komplexe nichtlineare Zusammenhänge abzubilden, wodurch sie sich hervorragend für verschiedene Datentypen eignen. Zu den wichtigsten Themen dieser Woche gehört die Durchführung eines Vorwärtsdurchlaufs durch ein neuronales Netz, um zu verstehen, wie Daten fließen und Vorhersagen generiert werden. Außerdem wird das grundlegende Konzept der Backpropagation vorgestellt – der Mechanismus, mit dem neuronale Netze aus Fehlern lernen, um Gewichte anzupassen und die Genauigkeit zu verbessern. In praktischen Übungen mit Python können Sie Vorwärts- und Rückwärtsdurchläufe implementieren, wodurch Sie Ihr Verständnis der Funktionsweise neuronaler Netze festigen und sich auf fortgeschrittenere Deep-Learning-Anwendungen vorbereiten.

Das Modul dieser Woche befasst sich mit tiefen neuronalen Netzen (DNNs) und deren praktischen Anwendungen im maschinellen Lernen. Zunächst beschreiben wir den Aufbau und die Funktionsweise eines tiefen neuronalen Netzes und untersuchen, wie mehrere Schichten es dem Modell ermöglichen, komplexe Muster zu lernen. Das Modul umfasst praktische Übungen zur Implementierung vollständiger Vorwärts- und Rückwärtsdurchläufe in DNNs, wodurch der Prozess des Trainings und der Fehlerkorrektur vertieft wird. Außerdem werden wir konvolutionelle neuronale Netze (CNNs) analysieren und ihre Rolle bei der Bildverarbeitung und Merkmalsextraktion verstehen. Am Ende des Moduls werden die Teilnehmer die Implementierung und das Training neuronaler Netze mit PyTorch sicher beherrschen und damit auf die Arbeit mit Deep-Learning-Modellen in praktischen Anwendungen vorbereitet sein.

Das Modul dieser Woche befasst sich mit fortgeschrittenen Clustering- und Schätzverfahren, beginnend mit der Erwartungsmaximierung (EM), einem leistungsstarken Algorithmus zur Parameterschätzung in statistischen Modellen. Sie werden die theoretischen Grundlagen des k-Means-Clusterings erarbeiten und lernen, wie dieses Verfahren Daten anhand ihrer Ähnlichkeit in verschiedene Gruppen unterteilt. Außerdem behandeln wir Gaußsche Mischmodelle (GMMs) und erläutern, wie diese Datenverteilungen mithilfe einer Mischung aus Gaußschen Verteilungen modellieren. Darüber hinaus leiten Sie die Konvergenzeigenschaften des EM-Algorithmus ab und verstehen so dessen Verhalten sowie die Art und Weise, wie er Schätzungen iterativ verbessert. Durch praktische Übungen sammeln Sie Erfahrung bei der Implementierung dieser Algorithmen, wodurch Sie Clustering- und Schätzverfahren auf komplexe Datensätze in Aufgaben des maschinellen Lernens anwenden können.

In dieser Woche stellen wir Verfahren zur Dimensionsreduktion vor, die für die Vereinfachung komplexer Daten unter Beibehaltung wesentlicher Merkmale unerlässlich sind. Sie lernen, diese Verfahren mithilfe der Eigenwertzerlegung mathematisch zu formulieren, und erhalten Einblicke in die Herleitung von Hauptkomponenten. Wir werden drei wichtige Methoden vergleichen – die Hauptkomponentenanalyse (PCA), die unabhängige Komponentenanalyse (ICA) und die Faktorenanalyse – und dabei ihre Unterschiede und Anwendungsbereiche hervorheben. Außerdem werden Sie sich mit dem Spektral-Clustering befassen, einer leistungsstarken Methode zur Gruppierung von Daten auf der Grundlage der Graphentheorie. Das Konzept der Autoencoder wird als Deep-Learning-Ansatz zur Dimensionsreduktion und zum Erlernen effizienter Datendarstellungen vorgestellt. In praktischen Programmierübungen können Sie diese Techniken umsetzen und erwerben so praktische Fähigkeiten für den Umgang mit hochdimensionalen Datensätzen im maschinellen Lernen und in der Datenanalyse.

In dieser letzten Kurswoche stellen wir Markov-Entscheidungsprozesse (MDPs) vor, ein grundlegendes Rahmenwerk für die Entscheidungsfindung in unsicheren Umgebungen. Sie lernen, MDPs zur Modellierung von Problemen einzusetzen, bei denen die Ergebnisse sowohl vom aktuellen Zustand als auch von den Aktionen abhängen. Das Modul dieser Woche führt Sie durch die Entwicklung eines mathematischen Rahmens zur Beschreibung von MDPs, einschließlich wichtiger Komponenten wie Zustände, Aktionen und Belohnungen. Außerdem lernen Sie, wie Sie Lernprozesse mithilfe von Techniken wie der Wertiteration und der Policy-Iteration implementieren, die für die Ermittlung optimaler Entscheidungsstrategien entscheidend sind. Praktische Übungen helfen Ihnen dabei, diese Konzepte auf reale Probleme im Bereich des verstärkenden Lernens und der optimalen Entscheidungsfindung anzuwenden.