Machine und Deep Learning

Machine Learning

Einführung in Machine Learning (ca. 5 Tage)
Warum Machine Learning?
Anwendungsbeispiele
Überwachtes Lernen, Unüberwachtes Lernen, Teilüberwachtes Lernen, Reinforcement Lernen
Beispiele für Datenbestände
Daten kennenlernen
Trainings-, Validierungs- und Testdaten
Daten sichten
Vorhersagen treffen

Überwachtes Lernen (ca. 5 Tage)
Klassifikation und Regression
Verallgemeinerung, Overfitting und Underfitting
Größe des Datensatzes
Algorithmen zum überwachten Lernen
Lineare Modelle
Bayes-Klassifikatoren
Entscheidungsbäume
Random Forest
Gradient Boosting
k-nächste-Nachbarn
Support Vector Machines
Conditional Random Field
Neuronale Netze und Deep Learning
Wahrscheinlichkeiten

Unüberwachtes Lernen (ca. 5 Tage)
Arten unüberwachten Lernens
Vorverarbeiten und Skalieren
Datentransformationen
Trainings- und Testdaten skalieren
Dimensionsreduktion
Feature Engineering
Manifold Learning
Hauptkomponentenzerlegung (PCA)
Nicht-negative-Matrix-Faktorisierung (NMF)
Manifold Learning mit t-SNE
Clusteranalyse
k-Means-Clustering
Agglomeratives Clustering
Hierarchische Clusteranalyse
DBSCAN
Clusteralgorithmen

Evaluierung und Verbesserung (ca. 2 Tage)
Modellauswahl und Modellevaluation
Abstimmung der Hyperparameter eines Schätzers
Kreuzvalidierung
Gittersuche
Evaluationsmetriken
Klassifikation

Projektarbeit (ca. 3 Tage)
Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse



Deep Learning

Einführung Deep Learning (ca. 1 Tag)
Deep Learning als eine Art von Machine Learning

Grundlagen in neuronalen Netzen (ca. 4 Tage)
Multilayer-Perzeptronen
Berechnung neuronaler Netze
Optimierung der Modellparameter, Backpropagation
Deep-Learning-Bibliotheken
Regression vs. Klassifikation
Typische Loss- und Aktivierungsfunktionen
Mit Metriken die Modellprognose bewerten
Regressions- und Klassifikationsmetriken
Lernkurven, Überanpassung und Regularisierung
Hyperparameteroptimierung
L1/12-Regularisierung
Dropout
Early-Stopping
Stochastischer Gradientenabstieg (SGD)
Momentum, Adam Optimizer
Optimierung der Lernrate
Dynamische Lernraten-Anpassung
Reduce Learningrate on Plateau
Lernraten-Optimierung mit dem TensorBoard
Mit Callbacks den Fitprozess steuern
Modelle speichern und laden

Convolutional Neural Network (CNN) (ca. 2 Tage)
Bildklassifizierung
Convolutional‐Schichten, Pooling‐Schichten
Reshaping‐Schichten, Flatten, Global‐Average‐Pooling
CNN‐Architekturen ImageNet‐Competition
Tiefe neuronale Netze, Vanishing Gradients, Skip‐Verbindungen, Batch‐Normalization

Transfer Learning (ca. 1 Tag)
Anpassen und Kombinieren von Modellen
Unüberwachtes Vortrainieren
Image‐Data‐Augmentation, Explainable AI
Dataloader

Regional CNN (ca. 1 Tag)
Objektlokalisierung
Semantische Segmentierung
Regressionsprobleme
Verzweigte neuronale Netze
YOLO-Architektur
U-Net-Modelle

Methoden der kreativen Bilderzeugung (ca. 1 Tag)
Generative Adversarial Networks (GAN) 
Deepfakes
Diffusionsmodelle
Superresolution
Bildbereiche ergänzen
Foundations Models von Hugging Face anwenden
Multimodale Modelle
LoRA-Fine-Tuning
Anwendungsgebiete generativer Modelle
Rechtliche Einschränkungen

Recurrente neurale Netze (ca. 2 Tage)
Sequenzanalyse
Rekurrente Schichten
Backpropagation through time (BPTT)
Analyse von Zeitreihen
Exploding und Vanishing Gradient Probleme
LSTM (Long Short‐Term Memory)
GRU (Gated Recurrent Unit)
Deep RNN
Deep LSTM

Textverarbeitung durch neuronale Netze (ca. 2 Tage)
Text-Preprocessing
Embedding-Schichten
Text-Klassifizierung
Sentimentanalyse
Natural Language Processing (NLP)
Übersetzungen
Textgeneration
Seqence-to-Sequence-Verfahren, Encoder-Decoder-Architektur
Encoder-Only- und Decoder-Only-Modelle
Lokale Anwendung von Large Language Models

Sprachmodelle (ca. 1 Tag)
Transfomer Architektur
Attention und Multihead-Attention
Positional Encodings
Fine-Tuning großer Sprachmodelle
Prompting
Textgeneration-Pipelines 
Summarization 
Chatbots
Retrieval Augmented Generation
KI-Agenten

Deep Reinforcement Learning (ca. 1 Tag)
Steuerung dynamischer Systeme
Agentensysteme
Training durch Belohnungen
Policy Gradients
Deep‐Q‐Learning

Bayes`sche neuronale Netze (ca. 1 Tag)
Unsicherheiten in neuronalen Netzen
Statistische Bewertung von Prognosen
Konfidenz, Standardabweichung
Unbalancierte Daten
Sampling‐Methoden

Projektarbeit (ca. 3 Tage)
Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse



Änderungen möglich, die Lehrgangsinhalte werden regelmäßig aktualisiert.