Wiki AG-PI (Prof. Dr. Stefan Bosse - Universität Koblenz)

Trace: › ml

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 [2020/11/26 09:46]
admin [The Outer Space] 		ml [2022/02/15 14:33] (current)
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 
 + 
 +* [edu-9.de](http://​edu-9.de/​Lehre/​ml2k)
  
 ## Live Streaming ## Live Streaming
Line 32: 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 59: 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 71: 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 91: 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]] 
  
  
Last modified: 2022/02/15 14:33