Einführung in das Maschinelle Lernen mit Matlab und Deep Learning

Kursnummer - Dauer der 'ML Matlab Deep Learning' Schulung

Voraussetzungen

Inhalte der 'ML Matlab Deep Learning' Schulung

Das Ziel dieses Kurses ist es Ingenieuren, Werkzeuge aus dem Bereich des Maschinellen Lernens verständlich zu machen und durch vorgegebene Beispiele, diese Werkzeuge auch einzusetzen.

• Einführung
• • Lineare Algebra, Wiederholung
  • Wahrscheinlichkeitstheorie, Wiederholung
  • Konvexe Optimierung
  • Matlab
• Supervised learning
• • Lineare Regression, kleinste Quadrate
  • Matlab: Lineare Regression mit einer Variablen und mehreren Variablen
  • Regularisierung, Ridge Regression, spaerliche lineare Regression
  • Klassifizierung (Modellbasiert vs. Datenbasiert) und Logistische Regression
  • Matlab: Regulierte Logistische Regression
  • Gewichtete kleinste Quadrate
  • Newtons Methode
  • Generative Lernalgorithmen (Gaussian discriminant analysis (GDA), Naive Bayes)
  • Matlab: GDA
  • Kernel Methoden
  • Support Vector Machines
  • Matlab: SVM
  • Neurale Netzwerke & Backpropagation
  • Matlab: Neurale Netzwerke
• Unsupervised Learning
• • Clustering und k-means Algorithmus
  • Expectation maximization Algrorithmus
  • Pincipal Component Analysis , Independet CA
  • Matlab: PCA
  • Dimensionsreduktion und Sparsity-basierte Methoden
  • Deep Neural Networks, AutoEncoders und Generative Adversarial Networks
• Reinforcement Learning
• • Künstliche Intelligenz, was ist das?
  • Bestandteile der Künstlichen Intelligenz
• Machine Learning
• • Basisaufbau neuronaler Netze
  • Funktionsweise von Lern-Algorithmen verstehen
  • Extraktion relevanter Informationen aus Daten (Feature Engineering)
  • Qualität von Machine-Learning-Lösungen beurteilen
• Deep Learning
• • Prinzipien des Deep Learnings kennen
  • Verfahren im Vergleich: Supervised Learning, Unsupervised Learning und Reinforcement Learning
  • Anomalien in Daten automatisch finden (Autoencoders)
  • Anwendungsbeispiel
• Sprache verstehen (Natural Language Understanding)
• • Gesprochene und geschrieben Sprache verstehen
  • Funktionsweise von Sprachassistenten (Alexa, Siri, Google Assistant)
  • Interactive Voice Response: Gängige Verfahren für komplexe Mensch-Maschine-Dialoge
  • Stand der Technik: Einsatz von Deep Learning in Dialogsystemen
  • Anwendungsbeispiel
• Simulation logischen Denkens und Wissensrepräsentation
• • Wie können Maschinen logisch denken?
  • Fach- und Allgemeinwissen in Systemen hinterlegen
• Planner-Einführung
• • Was ist OptaPlanner?
  • Was ist ein Planungsproblem?
  • Use Cases und Beispiele
• Planer-Konfiguration
• • Optimierungsalgorithmen
  • Überblick über die Architektur
  • SolverPhase
  • Überblick über den Umfang
  • Beendigung
  • SolverEventListener
  • Benutzerdefinierte SolverPhase