5752K11

Digitalisierung und Künstliche Intelligenz - Lehrveranstaltung 1.1 (Online-Modul)

Joachim Krois

Hinweise für Studierende

Modul K
(5 LP) Digitalisierung und Künstliche Intelligenz

Diese Lehrveranstaltung wird im Sommersemester 2025 im E-Learning Format durchgeführt. Es finden wöchentliche synchrone WebEx-Meetings statt.
Vorkenntnisse in Python sind von Vorteil aber nicht zwingend erforderlich.

Prüfungsleistungen: Die Teilnehmenden erstellen innerhalb von 14 Tagen nach Ablauf des Moduls eine Projektarbeit und erhalten bei bestandenen Leistungen (Projektarbeit und aktive Teilnahme) 5 Leistungspunkte.

Vom 01.04.2025 bis zum 13.04.2025 können Sie sich hier für das Modul anmelden:

https://abz.zedat.fu-berlin.de

Weitere Informationen zur Anmeldung finden Sie hier: http://www.zedat.fu-berlin.de/Schulung/ABV-Module

Bitte beachten Sie auch unsere FAQ Schließen

Kommentar

Modul K - Lehrveranstaltung 1

Hinweis: Vorkenntnisse in Python sind von Vorteil aber nicht zwingend erforderlich.

Inhalte des Moduls

Machine Learning und Deeplearning mit Python und Keras

Durch die in dem letzten Jahren erzielten Fortschritte im Bereich Machine Learning insbesondere in Bezug auf Deeplearning spielen, spätestens seit der Entwicklung großer Sprachmodelle wie ChatGPT und BERT, neuronale Netze eine immer größere Rolle im alltäglichen Leben und Arbeitsumfeld. Je mehr diese neuen Technologien unser Leben beeinflußen umso wichtiger wird ein grundlegendes Verständnis und der Einsatz des maschinellen Lernens für Studierende und Wissenschaftler. In diesem Kurs werden Sie sowohl die klassischen Grundlagen und Methoden und Modelle wie lineare Regression, Random Forest und Support Vector Machines als auch moderne Anwendungen, wie neuronale Netze und Transformer Modelle, kennenlernen.
Machine Learning und Deeplearning I

In den ersten Kurswochen lernen Sie die grundlegende Befehlssyntax von Python kennen. Der Schwerpunkt liegt dabei darauf ein grundsätzliches Verständnis für Python aufzubauen, um das Vorbereiten, Bearbeiten und Bereinigen von Daten in Python zu ermöglichen und zur explorativen Datenanalyse einzusetzen. Als erster Einstieg in Machine Learning werden Grundkonzepte wie Verlustfunktion, Residuen und der Machine-Learning-Prozess anhand der linearen Regression vorgestellt. Machine Learning und Deeplearning II

Aufbauend auf der linearen Regression wird die polynomiale Regression theoretisch und in der Anwendung im Framework Sci-kit Learn behandelt. Anhand der polynomialen Regression erlernen Sie Methoden zur Modellbewertung, wie Hyperparameterabstimmung und Kreuzvalidierung, sowie die Einteilung in Trainings-, Validierungs- und Testdaten zur Vermeidung von Over-, Underfitting. Klassische Machine Learning Modelle, wie Random Forest und SVM, werden anhand von Beispielen erklärt. Künstliche neuronale Netze werden am Beispiel des Perzeptrons vorgestellt und erste einfache vollständig verbundene Netze in Keras zur Problemlösung eingesetzt. Machine Learning und Deeplearning III

Im dritten Teil des Kurses wird das Wissen über den Aufbau und die mathematischen Grundlagen von neuronalen Netzen vertieft. Sie lernen den Backpropagation-Algorithmus kennen und verstehen wie ein künstliches neuronales Netz lernt um Vorhersagen zu verbessern. Im Lauf des Kurses erstellen Sie selbst ein neuronales Netz, um die gelernten mathematischen Grundlagen anzuwenden. Abschließend werden spezielle Formen von neuronalen Netzen, wie CNNs und Transformermodelle vorgestellt und anhand von Open-Source Frameworks angewendet. Schließen