Schulungsübersicht
Einleitung
- Überblick über Mustererkennung und maschinelles Lernen
- Hauptanwendungsgebiete in unterschiedlichen Disziplinen
- Bedeutung der Mustererkennung für moderne Technologien
Wahrscheinlichkeitstheorie, Modellauswahl sowie Entscheidungs- und Informationslehre
- Grundlagen der Wahrscheinlichkeitstheorie in der Mustererkennung
- Konzepte zur Auswahl und Bewertung von Modellen
- Entscheidungstheorie und deren Anwendungsbereiche
- Einführung in die Informationslehre
Wahrscheinlichkeitsverteilungen
- Übersicht über gängige Wahrscheinlichkeitsverteilungen
- Rolle von Verteilungen bei der Modellierung von Daten
- Einsatzmöglichkeiten in der Mustererkennung
Lineare Modelle für Regression und Klassifizierung
- Einführung in die lineare Regressionsanalyse
- Grundlagen zur linearen Klassifizierung
- Praktische Anwendungen sowie Grenzen linearer Modelle
Neuronale Netze
- Einführung in neuronale Netze und Deep Learning
- Schulung von neuronalen Netzen zur Mustererkennung
- Praktische Beispiele sowie Fallstudien
Kernel-Methoden
- Grundlagen zu Kernel-Methoden in der Mustererkennung
- Support-Vektor-Maschinen sowie andere kernelbasierte Modelle
- Einsatzmöglichkeiten bei hochdimensionalen Daten
Dünnbesetzte Kernel-Modelle
- Verständnis von dünnbesetzten Modellen in der Mustererkennung
- Methoden zur Regulierung sowie Reduktion der Modeldichte
- Praktische Anwendungen in der Datenanalyse
Graphenmodelle
- Einführung in Graphenmodelle im Kontext des maschinellen Lernens
- Bayesianische Netze sowie Markov-Zufallsfelder
- Schlussfolgerungen und Modelllernen mittels Graphenmodellen
Mischmodelle und der EM-Algorithmus
- Einführung in Mischmodelle
- Der Erwartungsmaximierungs-Algorithmus (EM)
- Nutzung bei Clustering-Analysen sowie Dichteschätzungen
Approximative Schlussfolgerungen
- Methoden zur approximativen Modellanalyse bei komplexen Strukturen
- Variationsmethoden sowie Monte-Carlo-Sampling-Techniken
- Praktische Anwendungsmöglichkeiten in der großangelegten Datenanalyse
Stichprobenverfahren
- Bedeutung des Ziehens von Stichproben für probabilistische Modelle
- Techniken wie Markov-Ketten-Monte-Carlo (MCMC)
- Einsatzmöglichkeiten in der Mustererkennung
Stetige latente Variablen
- Verständnis von Modellen mit stetigen latenten Variablen
- Nutzung bei dimensionaler Reduktion sowie Darstellung von Daten
- Praktische Beispiele und Fallstudien
Sequenzielle Daten
- Einführung in die Modellierung sequenzieller Datensätze
- Verfahren wie versteckte Markov-Modelle und ähnliche Ansätze
- Anwendungen in der Zeitreihenanalyse sowie Spracherkennung
Kombination mehrerer Modelle
- Methoden zur Integration verschiedener Modelle
- Ensemble-Verfahren sowie Boosting-Techniken
- Einsatzmöglichkeiten bei der Optimierung von Vorhersagegenauigkeiten
Zusammenfassung und nächste Schritte
Voraussetzungen
- Grundverständnis der Statistik
- Kenntnisse in mehrdimensionaler Analysis sowie Grundlagen der linearen Algebra
- Erfahrungen im Bereich Wahrscheinlichkeitsrechnung
Zielgruppe
- Datenanalysten
- Doktoranden, Forscher sowie Fachkräfte aus der Praxis
Erfahrungsberichte (2)
Erfahrungsaufbau im Bereich der Prompt-Wiederholung für Personen, die zuvor keine KI genutzt haben, sowie die Einführung alternativer Methoden der KI-Nutzung für bestehende Anwender.
Matthew Gay - Tarsus Pharmaceuticals
Kurs - Artificial Intelligence (AI) Overview
Maschinelle Übersetzung
Nach grundlegenden Prinzipien arbeiten und sich innerhalb desselben Tages auf die Anwendung von Fallstudien konzentrieren
Maggie Webb - Department of Jobs, Regions, and Precincts
Kurs - Artificial Neural Networks, Machine Learning, Deep Thinking
Maschinelle Übersetzung
