To support our site, Class Central may be compensated by some course providers.

Maschinelles Lernen

mooc.house

students interested

Taken this course? Share your experience with other students. Write review

Overview

Künstliche Intelligenz (KI) ist im Alltag angekommen. Ob Sie Sprachassistenzsysteme auf Ihrem Smartphone oder Autopilotfunktionen in einem Fahrzeug nutzen, immer steckt KI dahinter. Doch es hat ein Paradigmenwechsel stattgefunden: Statt alle Schritte der Wissensverarbeitung manuell zu kodieren, werden Lernmethoden programmiert. Mit Hilfe des maschinellen Lernens erkennen Systeme die Struktur unserer Welt von selbst und ergänzen ihre Wissensbasis. Das maschinelle Lernen hat bereits viele Einsatzgebiete der Sprachverarbeitung, Bild- und Objekterkennung revolutioniert und gewinnt erheblich an Bedeutung für die Digitalisierung in Wirtschaft und Gesellschaft. Und es ist eine Schlüsseltechnologie für die Entwicklung autonomer Systeme: kollaborative Roboter, die mit ihren menschlichen Kollegen Hand in Hand arbeiten ebenso wie selbstfahrende Autos.

In 3 Kurswochen bieten Wissenschaftler, Vertreter aus Unternehmen, Entwickler und Anwender in insgesamt 38 Videos Orientierungswissen für das maschinelle Lernen. Sie erhalten einen Überblick über Methoden des maschinellen Lernens, Anwendungsfelder und Werkzeuge. Konkrete Anwendungsbeispiele aus unterschiedlichsten Branchen wie der Automobilindustrie, der Gesundheitstechnologie oder der Finanzindustrie vermitteln einen Einblick, welche Probleme bereits heute mit Hilfe des maschinellen Lernens gelöst werden können. Der Kurs startet zur CeBIT 2017 am 20. März.

Kurskoordination:
Dr. Damian Borth, Director DFKI Deep Learning Competence Center
Johannes Melzer, acatech - Deutsche Akademie der Technikwissenschaften

Einführung:
Maschinelles Lernen als eine Grundlage Künstlicher Intelligenz – Prof. Dr. Wolfgang Wahlster (Deutsches Forschungszentrum für Künstliche Intelligenz)

 

Syllabus

Woche 1: Methoden

  • Prozessmodelle für maschinelles Lernen – Prof. Dr. Stefan Wrobel (Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS)

  • Klassifikation und Regression - Entscheidungsbäume – Prof. Dr. Katharina Morik (TU Dortmund)

  • Klassifikation und Regression - Stützvektormethode – Prof. Dr. Katharina Morik (TU Dortmund)

  • Probabilistische Graphische Modelle – Prof. Dr. Kristian Kersting (TU Dortmund)

  • Clustering: Unüberwachtes Lernen 1 – Prof. Dr. Emmanuel Müller (Hasso-Plattner-Institut)

  • Clustering: Unüberwachtes Lernen 2 – Prof. Dr. Emmanuel Müller (Hasso-Plattner-Institut)

  • Reinforcement Learning – Prof. Dr. Helge Ritter (Universität Bielefeld)

  • Neuronale Netze – Prof. Dr. Helge Ritter (Universität Bielefeld)

  • Convolutional Neural Networks (CNN) – Dr. Damian Borth (DFKI Deep Learning Competence Center)

  • Recurrent Neural Networks (LSTM) – Prof. Dr. Alexander Löser und Prof. Dr. Felix Gers (Beuth Hochschule für Technik Berlin)

  • Generative Adversial Networks (GAN) – Dr. Damian Borth (DFKI Deep Learning Competence Center)


Woche 2: Werkzeuge

  • Big Data und Data Management für maschinelles Lernen – Prof. Dr. Volker Markl (TU Berlin / Deutsches Forschungszentrum für Künstliche Intelligenz)

  • Data Science mit Python – Daniel Stemmer (Blue Yonder)

  • Maschinelles Lernen mit Tensor Flow – Alex Osterloh (Google)

  • RapidMiner - Predictive Analytics Plattform für Maschinelles Lernen – Ralf Klinkenberg (RapidMiner)
  • Deep Learning mit GPUs – Axel Koehler (NVIDIA)


Woche 3: Einsatzfelder

  • Natural Language Processing 2 - Maschinelle Übersetzung – Prof. Dr. Josef van Genabith (DFKI)

  • Natural Language Processing 1 - Machinelle Übersetzung mit neuronalen Netzen (Teil 2) – Dr. Georg Heigold (DFKI)

  • Bildklassifizierung und Objekterkennung – Dr. Mario Fritz (Max-Planck-Institut für Informatik)

  • Question Answering Systems – Dr. Mario Fritz (Max-Planck-Institut für Informatik)

  • Anomalieerkennung – Prof. Dr. Stefan Wrobel (Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS)

  • Multi-Sensor Fusion: Einführung – Prof. Dr. Paul Lukowicz (DFKI)

  • Multi-Sensor Fusion: Anwendung – Prof. Dr. Paul Lukowicz (DFKI)


Bereits ab Kursstart verfügbar: Anwendungsbeispiele

  • Maschinelles Lernen für autonomes Fahren – Dr. Reinhard Stolle (BMW Group)

  • Intelligente Geschäftsanwendungen der SAP – Dr. Markus Noga (SAP)

  • Maschinelles Lernen und Industrie 4.0 – Prof. Dr. Volker Tresp (Siemens / Ludwig-Maximilians-Universität München)

  • Maschinelles Lernen im Einzelhandel – Jan Karstens (Blue Yonder)

  • Forensische Datenanalysen zur Aufdeckung von Wirtschaftskriminalität – Marco Schreyer (PricewaterhouseCoopers)
  • Maschinelles Lernen und kognitive Systeme im Healthcare-Bereich – Matthias Reumann (IBM)

  • Maschinelles Lernen im Dokumentenmanagement – Dan Wucherpfennig (Leverton)

  • Anwendung in der Versicherung: Smart Underwriting – Wolfgang Hauner (Munich RE)
  • Nachhaltigkeitsrankings für den Kapitelmarkt – Matthias Bönning (Oekom Research)
  • Mehr Transparenz in der Finanzwelt – Stephan Wolf (Global Legal Entity Identifier Foundation)

  • Maschinelles Lernen bei Amazon – Ralf Herbrich (Amazon)

Ethische und rechtliche Aspekte

  • Rechtliche Aspekte – Prof. Dr. Eric Hilgendorf (Julius-Maximilians-Universität Würzburg)

  • Ethische Aspekte – Prof. Dr. Peter Dabrock (Friedrich-Alexander-Universität Erlangen-Nürnberg / Deutscher Ethikrat)

 

Reviews for Maschinelles Lernen
Based on 0 reviews

  • 5 star 0%
  • 4 star 0%
  • 3 star 0%
  • 2 star 0%
  • 1 star 0%

Did you take this course? Share your experience with other students.

Write a review

Class Central

Get personalized course recommendations, track subjects and courses with reminders, and more.

Sign up for free

Never stop learning Never Stop Learning!

Get personalized course recommendations, track subjects and courses with reminders, and more.