This shows you the differences between two versions of the page.
Both sides previous revision Previous revision Next revision | Previous revision | ||
ml [2020/11/26 09:47] admin [The Inner Space] |
ml [2021/10/19 08:28] (current) admin |
||
---|---|---|---|
Line 1: | Line 1: | ||
# Maschinelles Lernen und Datenanalyse | # Maschinelles Lernen und Datenanalyse | ||
- | |||
- | > Tandemkurs für zwei Zielgruppen! | ||
Line 10: | Line 8: | ||
* [[ml:literatur]] | * [[ml:literatur]] | ||
* [[ml:live]] | * [[ml:live]] | ||
- | * [[ml:news4]] | + | * [[ml:news]] |
- | * [[ml:news8]] | + | |
- | * [[ml:ocas]] | + | |
## The Outer Space | ## The Outer Space | ||
Line 36: | Line 33: | ||
- | ## 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 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 75: | 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 95: | 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: [[ml:news8]] | ||