Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revision Previous revision
Next revision
Previous revision
ml [2020/11/04 18:12]
admin [Inhalte]
ml [2021/10/19 08:28] (current)
admin
Line 1: Line 1:
 # Maschinelles Lernen und Datenanalyse # Maschinelles Lernen und Datenanalyse
  
-> Tandemkurs für zwei Zielgruppen! 
  
 +## The Inner Space
  
-## FB4: Maschinelles Lernen und Datenanalyse in der Mess- und Prüftechnik+* [[ml:​contact]] 
 +* [[ml:​faq]] 
 +* [[ml:​literatur]] 
 +* [[ml:​live]] 
 +* [[ml:​news]] 
 + 
 + 
 +## The Outer Space 
 + 
 +* [edu-9.de](http://​edu-9.de/​Lehre/​ml2k) 
 + 
 +## Live Streaming 
 + 
 +- Vorlesung Live hier: [[ml:​live]] 
 + 
 + 
 +## Fragen 
 + 
 + 
 +- Fachliche Fragen ​ zur Veranstaltung können hier gestellt werden: [[ml:​faq]] 
 +- Administrative Fragen können auf dieser Seite unten gestellt werden!  
 +- Es gibt alternativ ein email Kontaktformular:​ [[ml:​contact]] 
 + 
 +## Medien 
 + 
 +- Alle Medien (Videos, Foliensätze,​ Tutorials und Übungen) finden sich prmär hier: [[http://​edu-9.de/​Lehre/​ml2k]] 
 + 
 + 
 + 
 +## Maschinelles Lernen und Datenanalyse in der Mess- und Prüftechnik
  
 ### Zielgruppen ### Zielgruppen
Line 31: Line 60:
    + 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 43: Line 73:
 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 63: Line 93:
 ### 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: [[news8]] 
  
  
Line 131: Line 100:
  
 ~~DISCUSSION|Diskussion und Fragen~~ ~~DISCUSSION|Diskussion und Fragen~~
 +
 +> Hier adminstrative Fragen zu der Veranstaltung stellen!
  
 **Besucher** Heute: {{counter|today}} - Gestern: {{counter|yesterday}} - Alle: {{counter|total}} **Besucher** Heute: {{counter|today}} - Gestern: {{counter|yesterday}} - Alle: {{counter|total}}