Als „Machine-Learning“ (zu dt. „maschinelles Lernen“) bezeichnet man Methoden zur Realisierung von automatisierten Entscheidungsverfahren, insbesondere in Verbindung mit größeren Datenmengen. Dabei lernt das System aus Beispielen und „erkennt“ Gesetzmäßigkeiten, so dass es nach Beendigung der Lernphase in der Lage ist, zu verallgemeinern und auch neue unbekannte Daten zu beurteilen. Zu den klassischen Beispielen des maschinellen Lernen gehören Klassifikation, Regression, Clustering oder Faktoranalyse.

Verfahren des maschinellen Lernens haben ein sehr breites Anwendungsspektrum in diversen Themenfeldern der Informatik. Aus dem weiten Spektrum möglicher Anwendungen seien hier exemplarisch automatisierte Diagnoseverfahren, Erkennung von Kreditkartenbetrug, Aktienmarktanalysen, Klassifikation von DNA-Sequenzen, Sprach-, Schrift- und Bilderkennung, und autonome intelligente Systeme genannt.

Aufbauend auf Modul 10200: Mathematical Foundations for Data Science und Modul 10300: Data-Mining vermittelt Ihnen dieses Modul zusammen mit seiner Fortsetzung Modul 30200: Advanced Machine Learning neben den theoretischen Grundlagen einen systematischen, vereinheitlichenden Überblick über Methoden des maschinellen Lernens und deren Anwendungsmöglichkeiten. Neben dem Kennen und Verstehen eines breiten „Arsenals“ von Methoden vermögen Sie darüber hinaus – je nach Problemstellung – geeignete Verfahren des maschinellen Lernens auszuwählen, anzuwenden und zu evaluieren. Wir konzentrieren uns hier auf Methoden des überwachten Lernens, wobei wir uns im Wesentlichen auf das Werk von Bishop (2006) stützen. Im Rahmen von Kontroll- und Übungsaufgaben erlangen Sie zudem die erforderlichen Kenntnisse und Fähigkeiten, ausgewählte Algorithmen in Python zu implementieren und auf praxisorientierte Datensätze anzuwenden. Ergänzend zum Inhalt dieses Moduls finden Sie die erforderlichen mathematische Grundlagen sowie weiterführende Informationen, wie etwa Beweise, weitere Details und Beispiele, in dem Ihnen online zur Verfügung gestellten Grundlagen-Skript zur Mathematik („Vorlesungsskript Mathematik I“) von Herrn Prof. Dr. Knoblauch.

Das vorliegende Modul gliedert sich dabei in folgende Punkte:

1. Einführung & Überblick
2. Einfache Modelle für Regression
3. Einfache Modelle für Klassifikation
4. Neuronale Netze und Backpropagation

Konkrete Inhalte sind dabei unter anderem:

• Einführung und Grundbegriffe des Maschinellen Lernens
• Lineare Modelle für Regression
• Lineare Modelle für Klassifikation
• Neuronale Netze und Backpropagation
• Reinforcement Learning
• Unüberwachte Lernverfahren
• Implementierung/Anwendung ausgewählter Methoden mit Python, Numpy, Pandas, Scikit-learn

Nach Abschluss dieses Moduls sind Sie in der Lage, maschinelles Lernen und weitere Begrifflichkeiten entsprechender Teilgebiete und verwandter Fachbereiche zu deuten, zu interpretieren und entsprechend einzuordnen. Überdies werden Ihnen unterschiedliche Methoden und Verfahren des überwachten maschinellen Lernens vermittelt, welche Sie qualifiziert beurteilen und im Kontext praktischer Anwendungs- bzw. Problemfälle mithilfe geeigneter Techniken auswählen, (in Python) implementieren und anwenden können.