Der Kurs führt in anwendungsorientierter Form in die Themen Datenanalyse, maschinelles Lernen und Deep Learning ein
Am Anfang der Vorlesung stehen eine Einteilung maschineller Lernverfahren sowie ein Statistik-Tutorium komplementiert im Praktikum mit einer Einführung in die Grundlagen der Pythonprogrammierung
Der Teil maschinelles Lernen behandelt essenzielle Grundlagen sowie je einen wichtigen Vertreter statistischer und maschineller Lernverfahren zusammen mit einer real-world Anwendung: Lineare und Logistische Regression, Support Vector Machine und Multilagen-Perceptron.
Der Teil Deep Learning knüpft hier an und stellt einen Zusammenhang zwischen seichten neuronalen Netzen (Multilagenperceptron) und kontemporären Deep Learning Verfahren her. Nach einer Einführung in PyTorch wird Deep Learning praktisch am Beispiel von Faltungsnetzen für die Bilderkennung behandelt. Im Anschluss lernen wir die Technik des Transferlernens kennen sowie zwei weiterführende generative Architekturen: Variationale Autoencoder (VAE) und Generative Adversarial Networks (GAN).