Im Modul werden konkrete Verfahren des überwachten maschinellen Lernens vorgestellt. Aus dem Bereich des unüberwachten Lernens werden Clustering, generatives Lernen und nichtlineare Techniken zur Dimensionsreduktion behandelt.

Im Gegensatz zum überwachten Lernen (Lernen anhand von Beispielen) zielen Verfahren des unüberwachten Lernens auf das automatische Auffinden und Ausnutzen von Strukturen in großen Datenmengen, die dem menschlichen Auge verborgen sind.

Im Kontext konkreter Anwendungsszenarien wird auch auf ethische und gesellschaftliche Aspekte Algorithmen-gestützten Entscheidens eingegangen.

Die praktische Umsetzung der behandelten Verfahren erfolgt im Wesentlichen mit den Python-Paketen Scikit-Learn, Tensorflow und Keras.

Verfahren des überwachten Lernens:

• Entscheidungsbäume für Regression und Klassifikation
• Bagging, insbesondere Random-Forests
• Boosting
• k-Nearest-Neighbors-Verfahren
• logistische Regression
• Support-Vector-Maschinen (SVMs)
• Naive-Bayes-Klassifizierer
• Grundlagen der Textklassifikation

Clustering:

• Clustering-Arten und Qualitätsmaße
• k-Means-Clustering
• agglomeratives Clustering, Dendrogramme
• DBSCAN und OPTICS
• Gaussian-Mixture-Models

Nichtlineare Dimensionsreduktion:

• Autoencoder
• Kernel-PCA
• Multidimensional Scaling, insbesondere Isomap
• Locally Linear Embedding (LLE)
• Stochastic Neighbor Embedding (SNE)
• Self-Organizing Maps (SOMs)