Über
Allgemeines zum Kurs
Du hast genug von all dem medialen Hype rund um Künstlicher Intelligenz, Machine Learning, ChatGPT, und Co.? Du willst endlich verstehen, was sich hinter diesen Buzzwörtern versteckt und den Mythos rund um Künstliche Intelligenz etwas entmystifizieren? Du bist interessiert an Informatik und belegst möglicherweise ein einschlägiges Studium?
Dann bist du bei uns genau richtig!
Willkommen zu unserem MOOC "Einführung in Artificial Intelligence & Machine Learning"!
In diesem Kurs werden wir uns mit den Begriffen der Künstlichen Intelligenz und Machine Learning auseinandersetzen und etwas tiefer in die Materie einsteigen. Wir beginnen mit einer Einführung in die Thematik und erläutern, was sich hinter den einzelnen Begriffen Artificial Intelligence, Machine Learning und Deep Learning versteckt, und worin sie sich unterscheiden. Du wirst alle notwendigen Grundlagen im Bereich Datenverarbeitung, Machine Learning und Evaluierung lernen. Außerdem erläutern wir dir eine Liste an "intelligenten" Algorithmen für verschiedene Problemstellungen.
Im Zuge dieses Kurses wirst du deine eigenen Machine Learning Projekte umsetzen, beginnend bei der Datenanalyse und -verarbeitung bis hin zur Evaluierung deines eigenen Machine Learning Modells.
Bist du immer noch interessiert oder denkst dir "warum eigentlich nicht"? Dann starte den Kurs und los geht's!
Inhalt
Kursinhalt
Der Kurs wird in 9 Lektionen unterteilt, welche die jeweiligen Themen behandeln werden:
Lektion 1: Einführung in AI & ML, Geschichte, und TaxonomieLektion 2: Datenaufbereitung
Lektion 3: Grundlegende Konzepte des Machine Learning
Lektion 4: Evaluierungsmethoden für verschiedene Problemstellungen
Lektion 5: Regelbasierte Klassifizierung und Regressionsalgorithmen
Lektion 6: Clustering und Methoden zur Dimensionsreduktion
Lektion 7: Kernmethoden
Lektion 8: Fairness, Recht und Co. in ML
Lektion 9: Ausblick auf nicht behandelte Themen
In allen Lektionen wirst du durch animierte Videos näher an die einzelnen Konzepte herangeführt, um ein intuitives Verständnis zu entwickeln. Für komplexere Themen stellen wir dir zusätzliches Material zum Einlesen zur Verfügung. Außerdem wirst du dein angeeignetes Wissen in Übungsaufgaben und Projekten weiter festigen und in die Praxis umsetzen.
Lernziele
Nach Absolvierung des Kurses wirst du in der Lage sein, grundlegende Konzepte des Machine Learning (inklusive Datenaufbereitung, Wahl von passenden Algorithmen, Evaluierung) zu beschreiben und diese entsprechend auf reale Problemstellungen anzuwenden.
Des weiteren wirst du fachliche und methodische Kompetenzen erlenen, um
- eine geeignete Strategie für das Bewältigen einer gegebenen Problemstellung (Auswahl von Algorithmen und Methoden) erarbeiten,
- Grundlagen und formale Konzepte des Machine Learning erarbeiten und anwenden,
- eine geeignete Strategie für das Aufbereiten von realen Daten entwickeln, und
- ein Evaluierungskonzept definieren zu können.
Zusätzlich erlernst du kognitive und praktische Kompetenzen, um
- bestehende Problemstellungen und deren zugrundeliegenden Konzepte verstehen,
- Datenmengen analysieren und für deren korrekte Verwendung aufbereiten,
- verschiedene Algorithmen und Lösungsansätze auf reale Daten anwenden, und
- angewandte Methoden korrekt evaluieren und Ergebnisse interpretieren zu können.
Vorkenntnisse
Für eine erfolgreiche Absolvierung dieses Kurses, ist es empfohlen grundlegende Programmier- und Mathefähigkeiten zu besitzen (z.B., Lesen und Verstehen von Formalen Beweisen, Lineare Algebra, Statistik, Wahrscheinlichkeitstheorie).
Zertifikat
Für die aktive Teilnahme am Kurs erfolgt bei Abschluss die Ausstellung eines automatisierten Zertifikats, welches Ihren Benutzernamen, den Kursnamen und die abgeschlossenen Lektionen beinhalten. Es wird darauf hingewiesen, dass es sich nur um eine Bestätigung handelt, die aussagt, dass die Benutzerin oder der Benutzer zumindest 75% der gestellten Selbstüberprüfungsfragen richtig beantwortet hat.Lizenz
Dieses Werk ist lizenziert unter CC BY-SA 4.0Kursleitung
Kernteam
David Penz PhD Student an der TU Wien und JKU Linz. Sein Forschungsfokus liegt auf Deep Learning Architekturen für Disentanglement & Bias Mitigation.
Markus Schedl Professor an der JKU Linz und Leiter der Forschungsgruppe Multimedia Mining and Search. Sein Forschungsfokus liegt auf Applied Machine Learning, Learning to Rank, und Algorithmic Fairness.
Thomas Gärtner Professor an der TU Wien und Leiter der Forschungsgruppe Machine Learning. Sein Forschungsfokus liegt auf Kernel Methods und theoretischen Grundlagen in Machine Learning.
Weitere Mitwirkende
Monica Vlad Studentin an der JKU Linz. Video Animation und Voiceover.
Said Khudoyan Student an der JKU Linz. Technisches Design/Implementierung von Übungsaufgaben und Projekten.
Oleg Lesota PhD Student an der JKU Linz. Video Animation und Design.
Anmelden & Einschreiben Aktuell: 661 Teilnehmer:innen
Kostenlos für alle € 0.00
Partner:innen
Technische Universität Wien
Wien
