Voraussetzung
-
Programmierung mit Python, insbesondere das Einlesen von Daten
-
Verwendung der Python-Umgebungen Spyder oder Jupyter Notebook
-
Kenntnisse über normalverteilte Zufallsvariablen, Varianz/Standardabweichung und Erwartungswert
Zielgruppe
Beschäftige,-
die mit Python Daten verarbeiten, um Risiken wie Fehlverhalten und Prozessstörungen mit Methoden des maschinellen Lernens und der KI früh zu erkennen.
Lernziel
Die Teilnehmenden sollen-
den theoretischen Hintergrund der Methoden soweit notwendig kennenlernen.
-
die statistische Methode der linearen und logistischen Regression und den Bau von Künstlichen Neuronalen Netzen (KNN) beherrschen
-
praktische Probleme mit Hilfe der Python Pakete scikit, statsmodels und PyTorch bearbeiten können, Prototypen entwickeln können
Hinweis
Inhalt
-
Logistische Regression (Logit) Theorie (u.a. Wald- und LR Test, Konfusionsmatrizen)
-
Praktische Übungsfälle: Vorhersage von Schlaganfällen, finanzieller Selbst- und Fremdschädigung
-
Entscheidungsbäume als mächtigere und leichter erklärbare Alternative
-
Das KNN in Form des Multi-Layer-Perceptrons und Theorie (u.a. Universal Approximation Theorem)
-
Weitere Übungsfälle mit Hilfe von KNN
-
Vergleich der Methoden
-
Ausleuchtung der Fallstricke (u.a. Over/Underfitting)
-
Ethische Konsequenzen