Vertiefung: Neuronale Netze, Deep Learning, Systemüberblick, Use Case Fallgruben

Recap Tag 1

• Zusammenfassung der Konzepte aus Tag 1: Überwachtes, unüberwachtes und bestärkendes Lernen.

• Wichtige Begriffe: Modell, Trainingsdaten, Testdaten.

• Diskussion der zentralen Herausforderungen im ML: Bias, Datenqualität, Modellinterpretierbarkeit.

• Offene Fragen und Klarstellungen

Klassische Algorithmen (Recap): Logistic Regression, Decision Tree bzw. Random Forest, SVM (Support Vector Machines).

Vergleich von Regression, Klassifikation, Clustering und autonomen Aufgaben

Merkmal	Regression	Klassifikation	Clustering	Autonome Aufgaben	Generative Aufgaben
Art der Vorhersage	Kontinuierlicher Wert	Diskrete Klassen	Gruppenbildung ohne Labels	Eigenständige Entscheidungsfindung	Erzeugung neuer Daten
Use Case Beispiele	Preisprognosen, Finanzanalysen	Bilderkennung, Spam-Filter	Kundensegmentierung, Anomalieerkennung	Selbstfahrende Autos, Industrieroboter	KI-generierte Bilder, Texte, Musik
Gängige klassische Algorithmen	Lineare Regression, neuronale Netze	Decision Trees (Entscheidungsbäume), Random Forest, SVM	K-Means Clustering, K-nearest neighbour (kNN), DBSCAN	Reinforcement Learning, Deep Learning	GANs, VAEs, Transformer

Heutiger Kursinhalt

Kapitel	Inhalte
Recap der wichtigsten Themen	Wiederholung der ML-Konzepte, Diskussion, Quiz
Modellverhalten	Overfitting, Regularisierung und Optimierung
Theorie: Neuronale Netze und Deep Learning	Aufbau, Backpropagation, Aktivierungsfunktionen
Praxis: Bildklassifikation mit CNNs	Implementierung mit TensorFlow/Keras
Diskussion: Use Case Fallgruben	Churn Prediction, Herausforderungen, Modellwahl