Learning Outcome
(WAS) Die Studierenden können Machine Learning (inkl. Deep Learning) Projekte praktisch in Python umsetzen, (WOMIT) indem sie
- Unscharfe Zielstellungen aus der Praxis als Machine Learning Problemstellungen formulieren können,
- Daten in Python importieren, visualisieren, analysieren und vorverarbeiten können unter Nutzung von Standardbibliotheken wie pandas, seaborn, matplotlib,
- Abschätzen können, ob mit den gegebenen Daten die Zielstellung erreicht werden kann oder mehr/andere Daten benötigt werden,
- Entscheiden können welche Methoden aus dem Bereich des Maschinellen Lernens, Deep Learnings, der KI prinzipiell geeignet sein könnten und eine konkrete Methode für die Daten und Problemstellung auswählen,
- Konzepte verstehen und umsetzen mit denen tiefe neuronale Netze (Deep Learning) effizient trainiert werden,
- Sich in die gewählte Methode unter Nutzung von Fachliteratur einlesen, diese in einer Google Colab Python Umgebung unter Nutzung von Standardbibliotheken wie scikit-learn und keras programmieren, trainieren, validieren und testen können,
- Die mit verschiedenen Modellen erzielten Ergebnisse visualisieren und vergleichen (bspw. durch Nutzung von TensorBoard und weights & biases) und Strategien anwenden können, um die erzielten Ergebnisse systematisch zu verbessern (bspw. durch Hyperparameteroptimierung wie https://optuna.org/),
- Die Ergebnisse bewerten und analysieren können und Entscheidungsträgern die Ergebnisse präsentieren können, (WOZU) um später Machine Learning/Deep Learning Projekte selbstständig formulieren und umsetzen zu können.
Inhalt
Nach einer Einführung in Machine Learning befassen wir uns besonders mit Deep Learning, also dem Lernen mit sogenannten 'tiefen' neuronalen Netzen. Hierbei steht besonders die praktische Anwendung mit Python, Jupyter Notebooks, TensorFlow, Keras und Google Colab im Vordergrund.
Literatur:
- Jörg Frochte, „Maschinelles Lernen – Grundlagen und Algorithmen in Pythoen“, 2. Aufl., Hanser Verlag, 2019.