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

Einführung in angewandtes Machine Learning

• Statistisches Lernen im Vergleich zu Machine Learning
• Iteration und Evaluation
• Bias-Variance-Abwägung (Bias-Variance-Trade-off)
• Überwachtes und unüberwachtes Lernen
• Probleme, die mit Machine Learning gelöst werden
• Training, Validierung, Test – ML-Arbeitsablauf zur Vermeidung von Overfitting
• Arbeitsablauf im Machine Learning
• Algorithmen des Machine Learning
• Auswahl des geeigneten Algorithmus für das jeweilige Problem

Bewertung von Algorithmen

• Bewertung numerischer Vorhersagen
  • Genauigkeitsmaße: ME, MSE, RMSE, MAPE
  • Stabilität von Parametern und Vorhersagen
• Bewertung von Klassifikationsalgorithmen
  • Genauigkeit und deren Problemstellen
  • Verwechslungsmatrix (Confusion Matrix)
  • Problem unbalanceierter Klassen
• Visualisierung der Modellperformance
  • Profit-Kurve
  • ROC-Kurve
  • Lift-Kurve
• Modellauswahl
• Modelloptimierung – Grid-Search-Strategien

Datenaufbereitung für das Modellieren

• Datenimport und Speicherung
• Datenverständnis – Grundlegende Exploration
• Datenmanipulation mit der Bibliothek pandas
• Datentransformationen – Data Wrangling
• Explorative Datenanalyse
• Fehlende Beobachtungen – Erkennung und Lösungen
• Ausreißer – Erkennung und Strategien
• Standardisierung, Normalisierung, Binarisierung
• Recodierung qualitativer Daten

Machine-Learning-Algorithmen zur Ausreißererkennung

• Überwachte Algorithmen
  • KNN
  • Ensemble Gradient Boosting
  • SVM
• Unüberwachte Algorithmen
  • Distanzbasierte Methoden
  • Dichte-basierte Methoden
  • Wahrscheinlichkeitsbasierte Methoden
  • Modellbasierte Methoden

Deep Learning verstehen

• Überblick über die Grundkonzepte des Deep Learning
• Unterschiede zwischen Machine Learning und Deep Learning
• Überblick über Anwendungen des Deep Learning

Überblick über neuronale Netze

• Was sind neuronale Netze?
• Neuronale Netze im Vergleich zu Regressionsmodellen
• Mathematische Grundlagen und Lernmechanismen verstehen
• Aufbau eines künstlichen neuronalen Netzes
• Neuronale Knoten und Verbindungen verstehen
• Arbeit mit Neuronen, Schichten, Eingabe- und Ausgbedaten
• Einfache Schichten-Perzeptrone (Single Layer Perceptrons) verstehen
• Unterschiede zwischen überwachtem und unüberwachtem Lernen
• Feedforward- und Feedback-Neuronale Netze lernen
• Forward Propagation und Backpropagation verstehen

Erstellung einfacher Deep-Learning-Modelle mit Keras

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

Deep Learning mit TensorFlow

• Datenvorbereitung
  • Daten herunterladen
  • Vorbereitung der Trainingsdaten
  • Vorbereitung der Testdaten
  • Skalierung der Eingaben
  • Verwendung von Placeholdern und Variablen
• Festlegung der Netzwerkarchitektur
• Verwendung der Kostenfunktion
• Verwendung des Optimizers
• Verwendung von Initializierern
• Anpassung 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 anhand der Eval-Ausgabe
• Training von Modellen in großer Skalierung
• Visualisierung und Bewertung von Modellen mit TensorBoard

Anwendung von Deep Learning in der Anomalieerkennung

• Autoencoder
  • Encoder-Decoder-Architektur
  • Rekonstruktionsverlust (Reconstruction loss)
• Variational Autoencoder
  • Variational Inference
• Generative Adversarial Networks (GAN)
  • Generator-Diskriminator-Architektur
  • Ansätze zur AN (Anomalie-Nichterkennung/Anomaly Detection) mittels GAN

Ensemble-Frameworks

• Kombination der Ergebnisse verschiedener Methoden
• Bootstrap Aggregating (Bagging)
• Durchschnittsbildung des Ausreißerscores