Künstliche Intelligenz und maschinelles Lernen für Entwickler

Computer werden immer ›intelligenter‹: AlphaGo Zero besiegt den besten menschlichen Go-Spieler, Sprachassistenten wie Siri, Alexa oder Cortana verstehen zunehmend komplexere Anfragen, und autonome Fahrzeuge bewegen sich sicher im realen Straßenverkehr. Doch welche Technologien stecken hinter diesen Entwicklungen? Der Entwickler-Workshop geht dieser Frage auf den Grund und bietet einen umfassenden Überblick über Methoden und Techniken des Maschinellen Lernens. Neben bewährten Standardverfahren und Algorithmen wie der Nearest-Neighbors-Classification, der Linearen und Logistischen Regression werden auch fortgeschrittene Ansätze wie Support Vector Machines und Neuronale Netze behandelt. Neuronale Netze erzielen in vielen Anwendungsbereichen beeindruckende Ergebnisse und haben sich als Quasi-Standard im Bereich des Maschinellen Lernens etabliert. Besonders in den letzten Jahren hat dieses Konzept, das aus dem letzten Jahrtausend stammt, dank Cloud-Computing eine bemerkenswerte Renaissance erlebt. Die Neuronalen Netzwerke wurden kontinuierlich weiterentwickelt, sodass heute spezialisierte Architekturen wie Convolutional Neural Networks (CNN), Recurrent Neural Networks (RNN) und Long Short-Term Memory (LSTM) existieren, die auf unterschiedliche Aufgaben optimiert sind. Anhand praxisnaher Beispiele wie Betrugserkennung und Natural Language Processing (NLP) werden die vorgestellten Methoden und Techniken des Maschinellen Lernens mit führenden Tools wie TensorFlow, Keras und scikit-learn vermittelt. Diese Inhalte werden durch gemeinsames Erarbeiten und eigenständige Umsetzung in kleinen Python-Projekten vertieft.

Inhalte des Seminars

Einführung und Überblick

• Was ist Lernen und Intelligenz
• Was ist Künstliche Intelligenz und maschinelles Lernen (ML)
• 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

Daten und Statistik: Die Werkzeugkiste des Data Data Scientist

• Python
• NumPy
• Scikit-Learn
• Pandas
• TensorFlow
• Keras
• Matplotlib
• Jupyter