Grundlagen der Künstlichen Intelligenz (KI) und des Machine Learning Schulung

Einführung in das angewandte Machine Learning

• Statistisches Lernen vs. Machine Learning
• Iteration und Evaluation
• Bias-Variance-Trade-off
• Überwachtes Lernen (Supervised) vs. unüberwachtes Lernen (Unsupervised)
• Probleme, die mit Machine Learning gelöst werden
• Training, Validierung, Test – ML-Workflow zur Vermeidung von Overfitting
• Workflow des Machine Learning
• Algorithmen des Machine Learning
• Auswahl eines geeigneten Algorithmus für das Problem

Algorithmus-Evaluation

• Bewertung numerischer Vorhersagen
  • Genauigkeitsmaße: ME, MSE, RMSE, MAPE
  • Stabilität von Parametern und Vorhersagen
• Bewertung von Klassifikationsalgorithmen
  • Genauigkeit und deren Probleme
  • Verwechslungsmatrix
  • Problem ungleicher Klassenverteilungen
• Visualisierung der Modellleistung
  • Profitkurve
  • ROC-Kurve
  • Lift-Kurve
• Modellselektion
• Modelloptimierung – Grid-Search-Strategien

Datenvorbereitung für die Modellierung

• Datenimport und Speicherung
• Datenverständnis – grundlegende Explorationen
• Datenmanipulationen mit der pandas-Bibliothek
• Datentransformationen – Data Wrangling
• Explorative Analyse
• Fehlende Beobachtungen – Erkennung und Lösungen
• Ausreißer – Erkennung und Strategien
• Standardisierung, Normalisierung, Binarisierung
• Re-Encoding qualitativischer Daten

Machine-Learning-Algorithmen für die Ausreißererkennung

• Überwachte Algorithmen (Supervised)
  • KNN
  • Ensemble Gradient Boosting
  • SVM
• Unüberwachte Algorithmen (Unsupervised)
  • Distanzbasiert
  • Dichtebasierte Methoden
  • Probabilistische Methoden
  • Modellbasierte Methoden

Verständnis von Deep Learning

• Überblick über die grundlegenden Konzepte des Deep Learning
• Abgrenzung zwischen Machine Learning und Deep Learning
• Überblick über Anwendungen des Deep Learning

Überblick über neuronale Netze

• Was sind neuronale Netze
• Neuronale Netze vs. Regressionsmodelle
• Verständnis mathematischer Grundlagen und Lernmechanismen
• Konstruktion eines künstlichen neuronalen Netzes
• Verständnis neuronaler Knoten und Verbindungen
• Arbeiten mit Neuronen, Schichten sowie Eingangs- und Ausgangsdaten
• Verständnis von Single-Layer-Perzeptronen
• Unterschiede zwischen überwachtem (Supervised) und unüberwachtem (Unsupervised) Lernen
• Lernen von Feedforward- und Feedback-Neuralen Netzen
• Verständnis von Forward Propagation und Back Propagation

Aufbau einfacher Deep-Learning-Modelle mit Keras

• Erstellen eines Keras-Modells
• Verständnis der eigenen Daten
• Spezifikation des Deep-Learning-Modells
• Kompilieren des Modells
• Anpassung (Fitting) des Modells
• Arbeiten mit Klassifikationsdaten
• Arbeiten mit Klassifikationsmodellen
• Nutzung der Modelle

Arbeiten mit TensorFlow für Deep Learning

• Datenvorbereitung
  • Herunterladen der Daten
  • Vorbereitung der Trainingsdaten
  • Vorbereitung der Testdaten
  • Skalierung der Eingaben
  • Verwendung von Platzhaltern und Variablen
• Festlegung der Netzwerkarchitektur
• Verwendung der Kostenfunktion
• Verwendung des Optimizers
• Verwendung von Initialisierern
• Anpassung (Fitting) des neuronalen Netzes
• Aufbau des Graphen
  • Inferenz
  • Verlust (Loss)
  • Training
• Training des Modells
  • Der Graph
  • Die Sitzung (Session)
  • Trainings-Schleife (Train Loop)
• Bewertung des Modells
  • Aufbau des Eval-Graphen
  • Bewertung mit Eval-Ausgabe
• Training von Modellen im großen Maßstab
• Visualisierung und Bewertung von Modellen mit TensorBoard

Anwendung von Deep Learning in der Anomalieerkennung

• Autoencoder
  • Encoder-Decoder-Architektur
  • Rekonstruktionsverlust
• Variational Autoencoder
  • Variationsinferenz
• Generative Adversarial Network
  • Generator-Diskriminator-Architektur
  • Ansätze zur Anomalieerkennung (AN) unter Verwendung von GAN

Ensemble-Frameworks

• Kombination von Ergebnissen aus verschiedenen Methoden
• Bootstrap Aggregating
• Mittelung des Ausreißer-Scores