Künstliche Intelligenz und maschinelles Lernen für Entscheider

Computer werden zunehmend ›intelligenter‹: AlphaGo Zero besiegt den besten menschlichen Go-Spieler, Spracherkennungsdienste wie Siri, Alexa und Cortana verstehen immer komplexere Anfragen, und Autos fahren autonom im Straßenverkehr. Doch was steckt hinter dieser Entwicklung? Das Entscheiderseminar geht dieser Frage auf den Grund und gibt einen umfassenden Überblick über Methoden und Techniken des maschinellen Lernens. Neben etablierten Standardverfahren und Algorithmen wie Nearest-Neighbors-Classification, Linearer Regression und Logistischer Regression werden auch komplexere Ansätze wie Support Vector Machines und Neuronale Netze behandelt. Neuronale Netze erzielen in vielen Anwendungsbereichen beeindruckende Leistungen und haben sich als Quasi-Standard in der Welt des maschinellen Lernens etabliert. Innerhalb der letzten Jahre hat das Konzept aus dem letzten Jahrhundert, nicht zuletzt dank Cloud-Computing, eine Renaissance erfahren. Das Konzept der Neuronalen Netzwerke wurde mehrfach überarbeitet und weiterentwickelt. So existieren mittlerweile, optimiert für unterschiedliche Aufgabenstellungen, diverse Ansätze wie Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs) und Long Short-Term Memory (LSTM). Anhand ausgewählter Beispiele wie Betrugserkennung und Natural Language Processing (NLP) werden die oben genannten Methoden und Techniken des maschinellen Lernens durch führende Implementierungen wie TensorFlow, Keras und scikit-learn vermittelt.

Inhalte des Seminars

Einführung und Überblick

• Was ist Lernen und Intelligenz?
• Was ist Künstliche Intelligenz und maschinelles Lernen?
• Wie und warum kann eine Maschine lernen und intelligent werden?
• Künstliche Intelligenz und maschinelles Lernen: Vergleich, Einordnung und Abgrenzung

Entwicklung und Validierung von Modellen

• Daten - Analyse, Aufbereitung und Import
• Features - Selektion und Reduktion
• Modell - Evaluierung, Diagnose und Optimierung
• Lernen - Training, Test und Validierung
• Fehler - Überanpassung vs. Unteranpassung

Methoden und Techniken

• Regression vs. Klassifikation
• Überwachtes, verstärkendes und nicht überwachtes Lernen
• KNeighbors, Regression, DecisionTrees, Random Forest
• Support-Vektor-Maschines
• Neuronale Netze und mehrschichtige neuronale Netze
• Feed Forward Network
• Deep Neural Network
• Convolutional Neural Network
• Recurrent Neural Network
• Long short-term memory