Modern Machine Learning

Tag 1: Einsatzgebiete, Grundlagen und Methoden

Wir beschäftigen uns mit den Grundlagen von Machine Learning und Künstlicher Intellegenz und verstehen am Ende des Tages folgende Themenkomplexe:

• Erfolgte und erfolgreiche Einsätze von KI und Abgrenzung - Was ist eigentlich KI und was nicht?
• Grundlagen von KI - Was brauchen wir, um ML-Methoden einzusetzen?
• Von den Daten bis zum Ergebnis - Wie bauen wir das?
• Fallstricke - Was sollten wir nicht vergessen und wo kann es schief gehen?

Am Ende dieser Phase Eins entscheiden wir gemeinsam, welches spannende Themengebiet wir am zweiten Tag vertiefen wollen.

Noch an Tag 1 erarbeiten wir uns ein Grundverständnis von Neuronalen Netzen, dem derzeit vorherrschenden Paradigma - denn sie sind extrem einfach! Wenn es so einfach ist, muss die Komplexität drumherum liegen, und wir finden und verstehen die Motivation dieser Komplexität. Wir veranschaulichen uns die Wirkweise an einem "einfachen" Datensatz und lösen ein ehemaliges Problem von Logistikern wie DHL und co.

Tag 2: Ökosystem und Werkzeuge, Projektstruktur

Wir fliegen einmal durch das KI-Ökosystem und seine freien Werkzeuge. Wir erfahren, welches Problem in einem Projekt von welchem Programm adressiert und gelöst wird, und was in der Prozesskette als nächstes kommt. Unweigerlich finden wir Schnittstellen in bestehende Systeme.

Zur Anwendung kommen die Konzepte dann im Praxisteil, konkret:

• Die einsetzbaren Werkzeuge bei KI Projekten, deren Eigenschaften und Platzierung in einer ML-pipeline
• Theorie Teil 2 - von Backpropagation über Hyperparameter bis zum Deployment
• Das Praktische am Vortag ausgewählte Thema: Colourisation (Einfärbung von Schwarz-Weiß-Bildern) oder eine Vorhersage von Zeitreihen mit Gauß-Prozess-Regression.