Im Modul werden verschiedene Methoden der Datenvisualisierung eingeführt sowie die Grundlagen des überwachten maschinellen Lernens behandelt.

Ziel des überwachten Lernens ist die Entwicklung von Algorithmen, die anhand umfangereicher Beispieldatensätze automatisch Zuordnungen zwischen Ein- und Ausgabegrößen erlernen. Eingabegrößen können beispielsweise Bilder sein, Ausgabegrößen textuelle Beschreibungen der Bildinhalte.

Zwei prominente Verfahrensklassen des überwachten maschinellen Lernens, lineare Regression und künstliche neuronale Netze, werden detailliert vorgestellt und an praxisnahen Aufgabenstellungen erprobt und untersucht.

Datenvisualisierung:

• Einführung in das Python-Paket Matplotlib
• Erstellen zwei- und dreidimensionaler Visualisierungen
• Vorstellung weiterer Python-Pakete zur Datenvisualisierung je nach aktuellem Entwicklungsstand auf dem Gebiet, insbesondere Seaborn
• Visualisierung von Geodaten
• Erstellen animierter Visualisierungen

Grundlagen des überwachten Lernens:

• Abgrenzung Regression - Klassifikation
• Hypothesen und Loss-Funktionen
• Trainings-, Validierungs-, Testphase
• Kreuzvalidierung
• Hyperparameterwahl mittels Grid-Search
• Bewerten der Vorhersagequalität trainierter Modelle
• einfache Methoden zur Reduktion der Feature-Anzahl, insbesondere Hauptkomponentenanalyse (PCA)
• Umsetzung mit dem Python-Paket Scikit-Learn

Lineare Regression:

• Grundlagen
• Overfitting und Regularisierung
• Umsetzung mit dem Python-Paket Scikit-Learn

Künstliche neuronale Netze:

• Grundlagen und Motivation
• vorwärts gerichtete geschichtete neuronale Netze
• Training mittels Gradientenverfahren
• Overfitting und Regularisierung, insbesondere Regularisierung mittels Dropout-Schichten
• faltende neuronale Netze (CNNs)
• Klassifikation von Bilddaten
• Trainieren und Anwenden neuronaler Netze mit den Python-Paketen Tensorflow und Keras