Differences
This shows you the differences between two versions of the page.
| Both sides previous revision Previous revision Next revision | Previous revision Last revision Both sides next revision | ||
|
ml [2020/12/03 17:43] admin [The Inner Space] |
ml [2021/10/19 08:25] admin [Diskussionsforum] |
||
|---|---|---|---|
| Line 36: | Line 36: | ||
| - | ## FB 4: Maschinelles Lernen und Datenanalyse in der Mess- und Prüftechnik | + | ## Maschinelles Lernen und Datenanalyse in der Mess- und Prüftechnik |
| ### Zielgruppen | ### Zielgruppen | ||
| Line 63: | Line 63: | ||
| + Datenvorverarbeitung (Merkmalsselektion) | + Datenvorverarbeitung (Merkmalsselektion) | ||
| + Principle Component Analysis (PCA) | + Principle Component Analysis (PCA) | ||
| + | + Statistische Datenanalyse | ||
| 3. Grundlagen des Maschinellen Lernens (Metriken und Taxonomie) | 3. Grundlagen des Maschinellen Lernens (Metriken und Taxonomie) | ||
| Line 75: | Line 76: | ||
| 4. Algorithmen und Modelle | 4. Algorithmen und Modelle | ||
| - | + Entscheidungsbäume (C45, ID3, ICE), Random Forest Bäume - Einfach aber gut? | + | + Entscheidungsbäume (C45, ID3, ICE), Random Forest Bäume, Regressionsbäume - Einfach aber gut? |
| + Support Vector Machines (binäre und multi-Klassen) - Der Klassiker! | + Support Vector Machines (binäre und multi-Klassen) - Der Klassiker! | ||
| + Künstliche Neuronale Netze (Ein- und mehrlagig) - Warum kein Deep Learning? | + Künstliche Neuronale Netze (Ein- und mehrlagig) - Warum kein Deep Learning? | ||
| - | + Regressionsverfahren | + | + Klassifikations- und Regressionsverfahren |
| + Iterative, randomisierte, und evolutionäre Lernalgorithmen - Deterministische Modelle? | + Iterative, randomisierte, und evolutionäre Lernalgorithmen - Deterministische Modelle? | ||
| Line 95: | Line 96: | ||
| ### News | ### News | ||
| - | - Neuigkeiten gibt es hier: [[ml:news4]] | + | - Neuigkeiten gibt es hier: [[ml:news]] |
| - | |||
| - | ## FB 8: Maschinelles Lernen und Datenanalyse in der Soziologie | ||
| - | |||
| - | ### Zielgruppen | ||
| - | |||
| - | - Soziologen | ||
| - | - Psychologen | ||
| - | - Wirtschaftsingenieure | ||
| - | - Informatiker | ||
| - | |||
| - | |||
| - | |||
| - | ### Inhalte | ||
| - | |||
| - | |||
| - | 1. Sensoren, Digitale Sensordaten, Big Data, Umfragen | ||
| - | |||
| - | + Stark und schwach korrelierte Daten (Big Data?) | ||
| - | + Frage nach den Modellen | ||
| - | + Der Mensch als Sensor und Datenlieferant | ||
| - | + Daten aus Umfragen und Erhebungen (Soziologie, Medizin) | ||
| - | + Rauschen | ||
| - | |||
| - | 2. Grundlagen der Sensordatenerfassung und Verarbeitung | ||
| - | |||
| - | + Umfragen, Crowd Sensing, (Mobile) Sensornetzwerke mit Smartphones | ||
| - | + Datenvorverarbeitung (Merkmalsselektion) | ||
| - | + Principle Component Analysis (PCA) | ||
| - | |||
| - | 3. Grundlagen des Maschinellen Lernens (Metriken und Taxonomie) | ||
| - | |||
| - | + Der Funktionale Ansatz: Das Black-Box Modell | ||
| - | + Überwachtes Lernen - Der Experte ist gefragt! | ||
| - | + Nichtüberwachtes Lernen, Clustering - Ich sehe etwas was Du nicht siehst? | ||
| - | + Rückgekoppeltes Lernen - Belohnungen führen zum Ziel! | ||
| - | + Inkrementelles Lernen - Lernen auf Datenströmen ist ein Problem? | ||
| - | + Agentenbasiertes und verteiltes Lernen - Nicht hier, sondern überall! | ||
| - | |||
| - | 4. Algorithmen und Modelle | ||
| - | |||
| - | + Entscheidungsbäume (C45, ID3, ICE), Random Forest Bäume - Einfach aber gut? | ||
| - | + Support Vector Machines (binäre und multi-Klassen) - Der Klassiker! | ||
| - | + Künstliche Neuronale Netze (Ein- und mehrlagig) - Warum kein Deep Learning? | ||
| - | + Regressionsverfahren | ||
| - | + Iterative, randomisierte, und evolutionäre Lernalgorithmen - Deterministische Modelle? | ||
| - | |||
| - | 5. Training, Lernen, Prädiktion, Test | ||
| - | |||
| - | + Merkmalsextraktion - Information aus Daten | ||
| - | + Ablaufdiagramme - Arbeitsvorschrift! | ||
| - | + Testmethoden | ||
| - | + Probleme | ||
| - | + Überanpassung | ||
| - | + Zu viel oder zu wenige Daten? | ||
| - | + Qualität der Daten, Einfluss von Rauschen auf Lernen und Prädiktion | ||
| - | |||
| - | 6. Anwendungen, Demonstrationen, Beispiele, Laborübungen (integriert in 2-5) | ||
| - | |||
| - | ### News | ||
| - | |||
| - | - Neuigkeiten gibt es hier: [[ml:news8]] | ||