Machine Learning und Deep Learning mit Design Thinking

Einführung in Design Thinking (ca. 1 Tag)

Design Thinking Prozess im Überblick

Die wichtigsten Regeln und Phasen des Design Thinking

Praxisorientierte Ansätze und Anwendungen

5 Phasen im realen Projekt (ca. 3 Tage)

Research Phase

Methodischer Input zu qualitativem Research

Umsetzung durch praktische Übungen am realen Projekt

Synthese Phase

Methodischer Input zu Analyse und Synthese

Umsetzung durch praktische Übung am realen Projekt

Ideation Phase

Methodischer Input zu Kreativtechniken und Ideenentwicklung

Umsetzung durch praktische Übung am realen Projekt

Prototyping Phase

Methodischer Input zu Visualisierung und Protoyping (u. a. Mockups, Click Dummys, 3D-Printing und Rapid Prototyping)

Umsetzung durch praktische Übung am realen Projekt

Testing Phase

Methodischer Input zu Testmethoden und Iteration, agiles Vorgehen

Umsetzung durch praktische Übung am realen Projekt

Künstliche Intelligenz (KI) im Arbeitsprozess

Vorstellung von konkreten KI-Technologien im beruflichen Umfeld

Anwendungsmöglichkeiten und Praxis-Übungen

Projektarbeit (ca. 1 Tag)

Zur Vertiefung der gelernten Inhalte

Präsentation der Projektergebnisse

Einführung in Machine Learning (ca. 5 Tage)

Warum Machine Learning?

Anwendungsbeispiele

Überwachtes Lernen, Unüberwachtes Lernen, Teilüberwachtes Lernen, Reinforcement Lernen

Beispiele für Datenbestände

Daten kennenlernen

Trainings-, Validierungs- und Testdaten

Daten sichten

Vorhersagen treffen

Überwachtes Lernen (ca. 5 Tage)

Klassifikation und Regression

Verallgemeinerung, Overfitting und Underfitting

Größe des Datensatzes

Algorithmen zum überwachten Lernen

Lineare Modelle

Bayes-Klassifikatoren

Entscheidungsbäume

Random Forest

Gradient Boosting

k-nächste-Nachbarn

Support Vector Machines

Conditional Random Field

Neuronale Netze und Deep Learning

Wahrscheinlichkeiten

Unüberwachtes Lernen (ca. 5 Tage)

Arten unüberwachten Lernens

Vorverarbeiten und Skalieren

Datentransformationen

Trainings- und Testdaten skalieren

Dimensionsreduktion

Feature Engineering

Manifold Learning

Hauptkomponentenzerlegung (PCA)

Nicht-negative-Matrix-Faktorisierung (NMF)

Manifold Learning mit t-SNE

Clusteranalyse

k-Means-Clustering

Agglomeratives Clustering

Hierarchische Clusteranalyse

DBSCAN

Clusteralgorithmen

Evaluierung und Verbesserung (ca. 2 Tage)

Modellauswahl und Modellevaluation

Abstimmung der Hyperparameter eines Schätzers

Kreuzvalidierung

Gittersuche

Evaluationsmetriken

Klassifikation

Projektarbeit (ca. 3 Tage)

Zur Vertiefung der gelernten Inhalte

Präsentation der Projektergebnisse

Einführung Deep Learning (ca. 1 Tag)

Deep Learning als eine Art von Machine Learning

Grundlagen in neuronalen Netzen (ca. 4 Tage)

Perceptron

Berechnung neuronaler Netze

Optimierung der Modellparameter, Backpropagation

Deep‐Learning‐Bibliotheken

Regression vs. Klassifikation

Lernkurven, Überanpassung und Regularisierung

Hyperparameteroptimierung

Stochastischer Gradientenabstieg (SGD)

Momentum, Adam Optimizer

Lernrate

Convolutional Neural Network (CNN) (ca. 2 Tage)

Bildklassifizierung

Convolutional‐Schichten, Pooling‐Schichten

Reshaping‐Schichten, Flatten, Global‐Average‐Pooling

CNN‐Architekturen ImageNet‐Competition

Tiefe neuronale Netze, Vanishing Gradients, Skip‐Verbindungen, Batch‐Normalization

Transfer Learning (ca. 1 Tag)

Anpassen von Modellen

Unüberwachtes Vortrainieren

Image‐Data‐Augmentation, Explainable AI

Regional CNN (ca. 1 Tag)

Objektlokalisierung

Regressionsprobleme

Verzweigte neuronale Netze

Methoden der kreativen Bilderzeugung (ca. 1 Tag)

Generative Adversarial Networks (GAN)

Deepfakes

Diffusionsmodelle

Recurrente neurale Netze (ca. 2 Tage)

Sequenzanalyse

Rekurrente Schichten

Backpropagation through time (BPTT)

Analyse von Zeitreihen

Exploding und Vanishing Gradient Probleme

LSTM (Long Short‐Term Memory)

GRU (Gated Recurrent Unit)

Deep RNN

Deep LSTM

Textverarbeitung durch neuronale Netze (ca. 2 Tage)

Text‐Preprocessing

Embedding‐Schichten

Text‐Klassifizierung

Sentimentanalyse

Transfer‐Learning in NLP

Übersetzungen

Seqence‐to‐Sequence‐Verfahren, Encoder‐Decoder‐Architektur

Sprachmodelle (ca. 1 Tag)

BERT, GPT

Attention‐Schichten, Transformers

Textgeneration‐Pipelines

Summarization

Chatbots

Deep Reinforcement Learning (ca. 1 Tag)

Steuerung dynamischer Systeme

Agentensysteme

Training durch Belohnungen

Policy Gradients

Deep‐Q‐Learning

Bayes'sche neuronale Netze (ca. 1 Tag)

Unsicherheiten in neuronalen Netzen

Statistische Bewertung von Prognosen

Konfidenz, Standardabweichung

Unbalancierte Daten

Sampling‐Methoden

Projektarbeit (ca. 3 Tage)

Zur Vertiefung der gelernten Inhalte

Präsentation der Projektergebnisse