Veranstaltungsdetails (S/B)

Maschinelles Lernen ist der wesentliche Treiber hinter dem rasanten Fortschritt im Bereich künstlicher Intelligenz während des letzten Jahrzehnts. Paradebeispiele hierfür sind computerbasiertes Sehen und Verarbeitung natürlicher Sprache. Aber neben der, eher philosophischen, langfristigen Suche nach menschenähnlicher künstlicher Intelligenz hat maschinelles Lernen mittlerweile einen deutlich unmittelbareren Einfluss auf viele Aspekte in Industrie, Geschäftswelt und Wissenschaft: als leistungsfähiges Werkzeug zur Unterstützung der wissenschaftlichen Methode. Fortschritte bei Lernalgorithmen und insbesondere gestiegene Rechenleistung und Vernetzung ermöglichen heutzutage die Verwendung enormer Mengen an mittels Geschäftsanwendungen und wissenschaftlicher Experimente gesammelter Daten, um auf detailliertem Expertenwissen gestützte explizite Methoden mit generischerem und automatisiertem Lernen zu ersetzen oder zu verbessern.

Dieser Kurs gibt einen Überblick über das Themengebiet des maschinellen Lernens, von den Grundlagen bis zum aktuellen Stand der Technik. Der Fokus liegt dabei nicht auf algorithmischen Details, sondern dem Verständnis der zugrundeliegenden Konzepte wie empirischer Risikominimierung oder verschiedener Formen induktiver Verzerrung. Außer der momentan vorherrschenden Methodik des mehrschichtigen Lernens (Deep Learning), mit den gebräuchlichsten Verfahren wie Convolutional Neural Networks oder Transformers, werden auch andere wichtige Algorithmen, wie Generalized Additive Models oder Ensemblemethoden wie Random Forests oder Gradient Boosting, behandelt sowie die Gemeinsamkeiten zwischen den verschiedenen algorithmischen Familien aufgezeigt. Neben dem Hauptaugenmerk auf selbstüberwachtes Lernen wird auch auf die wichtigsten Konzepte aus bestärkendem Lernen (Reinforcement Learning) und den Schnittpunkten von maschinellem Lernen und Kausalität eingegangen.

Nach dem Kurs:

• verstehen Sie die zugrundeliegenden Konzepte von Machine Learning Verfahren.
• haben Sie einen Überblick über Zusammenhänge und Besonderheiten der gängigsten Machine Learning Methoden.
• haben Sie ein Gefühl für (z.B. wissenschaftliche) Anwendungsmöglichkeiten von Machine Learning.
• können Sie Machine Learning auf reale (z.B. wirtschaftliche) Problemstellungen selbstständig anwenden (Programmierung in Python).

Voraussetzungen:

Solide statistische Vorkenntnisse und grundlegende Programmiererfahrung (optimal: von der Physik-Fakultät angebotene Vorlesung “Moderne Methoden der Datenanalyse”).

Arbeitsaufwand für ECTS:

2 ECTS: Teilnahme an 9 interaktiven Vorlesungen (jeweils 5h Aufwand inklusive Vor- und Nachbereitung) und Bearbeitung von 4 Übungsblättern (jeweils 3h Aufwand).

Dozierende:

Prof. Dr. Michael Feindt studierte Physik an der Universität Hamburg. Er promovierte am Deutschen Elektronen Synchrotron DESY in Hamburg. Bis 1997 arbeitete er am Europäischen Laboratorium für Teilchenphysik CERN. Danach wurde er KIT-Professor für Physik. Er entwickelte den NeuroBayes-Algorithmus, die Basis des von ihm gegründeten und weltweit tätigen Unternehmens BlueYonder.

Felix hat am KIT in Teilchenphysik promoviert und ist anschließend als Data Scientist in die Wirtschaft gewechselt. Derzeit leitet er bei Panasonic Connect die Abteilung für Forschung und Entwicklung im Bereich künstlicher Intelligenz.