KI verstehen – werden Sie fit für Ihr erstes KI-Projekt!

Die phantastische Welt der KI

• In einem historischen Überblick erfahren Sie etwas über die Entwicklung der KI.
• Wir starten mit einer klassischen statistischen Methode – der logistischen Regression – zur Erstellung von Scorekarten.
• Aus dem Bereich maschinelles Lernen erfahren wir etwas über klassische Entscheidungsbäume und deren Kombinationen in Form von Bagged Trees, Random Forest und XGBoost.
• Sie tauchen ein in die Welt des Deep Learnings mit den Anwendungsgebieten Machine Vision, NLP, GAN und Reinforcement Learning.
• Sie erfahren, was diese Techniken voneinander unterscheidet. Dies wird Ihnen später die Wahl der richtigen Methoden erleichtern.

Vollständig verbundene Netzwerke

• Vollständig verbundene Netzwerke bilden die Grundlage für alle Deep-Learning-Techniken. Am klassischen Beispiel der Ziffernerkennung erfahren Sie, wie neuronale Netze grundsätzlich ticken.
• Sie werfen einen Blick hinein in die berüchtigte Black Box der neuronalen Netze. Sie lernen die wichtigsten Parameter kennen, um dieses Netz zu steuern.
• Von großer Bedeutung ist der Begriff der Überanpassung. Bleibt diese unberücksichtigt, dann kann dies zu unbrauchbaren Modellen führen.
• Die automatische Erkennung von Postleitzahlen war eine der ersten KI-Aufgaben, die auch in der Praxis angewendet wurden. Tauchen Sie ein in die Welt des Deep Learnings. Am Ende werden Sie feststellen: KI ist kein Hexenwerk!

Faltungsnetzwerke (convolutional neural networks)

• Faltungsnetzwerke brachten 2012 den Durchbruch bei der Bilderkennung. Die Nutzung von Faltungsschichten und weitere Techniken reduzierten die Anzahl an Parametern. Die gestiegene Rechenleistung, die Fülle an Testbildern und diverse Tricks brachten letztendlich den Erfolg. Machine Vision hat über Jahre das Deep Learning dominiert und bekannt gemacht.
• R-CNN, Fast-RCNN, Faster R-CNN und YOLO (you look only once) dienen der Objekterkennung und ergänzen so die Bildklassifikation.
• Sie werden Bilder von Hunden und Katzen der ImageNet-Datenbank klassifizieren und Weiterentwicklungen bei der Bilderkennung kennenlernen.

NLP (Natural Language Processing)

• Texte müssen für die Analyse am Computer entsprechend aufbereitet werden. Dazu zählen die Behandlung von Füllwörtern, Punktationen, Stammbaumbildung usw. Nach diesen vorbereitenden Schritten kann ein Wortvektorraum gebildet werden. Dieser hat für unerfahrene Personen erstaunliche, nahezu unglaubliche Eigenschaften. Sie werden es selbst sehen!
• Am Beispiel von Kritiken lernen Sie, wie man NLP und Deep Learning nutzt, um diese zu bewerten. Diese Technik können Sie z. B. auch auf Ihre Kundenkommentare anwenden.