Maschinelles Lernen

Lernen Sie, aus Daten relevante Informationen zu gewinnen.

Wollten Sie schon immer wissen, wie man automatisch Spam E-Mails erkennt, Gehirndaten klassifiziert oder fehlerhafte Produkte anhand von Kameradaten aussortieren kann? Der Kurs gibt eine Einführung in das Forschungsgebiet Maschinelles Lernen (ML), dessen Methoden für diese und viele andere Probleme Lösungen bereitstellen, um aus existierenden Daten Zusammenhänge zu lernen. Behandelt werden Methoden des unüberwachten und vor allem des überwachten Lernens. Themengebiete sind unter anderem: Regression und Klassifikation, Dimensionsreduktion, Random Forests, Deep Learning, Kernel-Methoden u.v.m.                          

ML-Methoden sind maßgeblich für den Erfolg von diversen Anwendungen in Industrie und Wissenschaft verantwortlich und haben z.B. die Bild- und Spracherkennung in den letzten Jahren revolutioniert. Durch Fortschritte in der Algorithmenentwicklung und der dazugehörigen Theorie, sowie die stetig zunnehmenden Mengen an Daten und die steigende Rechenleistung ist abzusehen, dass ML auch in Zukunft weiter an Bedeutung gewinnen wird, um den datengetriebenen Erkenntnisgewinn zu ermöglichen.

Die Kursteilnehmenden bekommen ein grundsätzliches Verständnis von ML-Algorithmen in Theorie und Praxis. Sie lernen, welche statistischen Annahmen verschiedene Algorithmen machen, welche Fallstricke bei der Datenanalyse zu vermeiden sind, und wie groß sowohl der Aufwand für das Training von ML-Modellen ist als auch für deren produktiven Einsatz. Zudem analysieren die Teilnehmenden vorgegebene Daten, lernen ML-Methoden zu implementieren und setzen Python-basierte ML-Bibliotheken praktisch ein.

Ihre Vorteile

  • Weiterbildung ohne Ausfallzeiten
  • Hohe Flexibilität durch berufsbegleitendes Lernen
  • Hohe Effizienz und Anwendbarkeit durch praxisnahe Inhalte
  • Hoher Lernerfolg durch neueste Lehr- und Lernmethoden und innovative Bildungstechnologien wie z. B. virtuelle Klassenzimmer, Lernforen, Chats oder mobile Hardwarepraktika

Nächster Starttermin

Wintersemester 2024/25
Start am 16. Oktober 2024
Anmeldung bis zum 01. Oktober 2024

Welche Vorkenntnisse brauche ich?

Der Kurs findet auf Englisch statt. Grundkenntnisse im Bereich Algorithmen und Datenstrukturen sowie mathematische Grundkenntnisse in Analysis und Linearer Algebra sind für diesen Kurs erforderlich. Kenntnisse in der Programmiersprache Python sind hilfreich.

Im Bereich Weiterbildungskurse finden Sie weitere Informationen zu den erwarteten Vorkenntnissen.

Kosten

Die Kosten inkl. Lernmaterialien, tutorieller Betreuung durch einen wissenschaftlichen Mitarbeiter und der Prüfungsleistung belaufen sich auf 2.300 Euro.

Wie läuft der Kurs ab?

Allgemeine Einführungsveranstaltung in Freiburg

Sie lernen den Fachexperten kennen und erhalten einen Überblick über die Inhalte. Das IEMS-Team führt Sie in die Methoden des Online-Lernens ein und beantwortet Ihre organisatorischen Fragen.

E-Training & Online-Meeting

Sie lernen flexibel mit E-Lectures. Zur Selbst- kontrolle Ihres Lernfortschrittes bearbeiten Sie  Übungsaufgaben. In Online-Meetings und über das Forum können Sie sich sowohl mit Mitstudierenden als auch mit den Tutoren und Tutorinnen über Lerninhalte austauschen und Fragen klären.

Prüfung und Zertifikat

Am Ende des Semesters nehmen Sie an einer Prüfung teil. Bei Bestehen erhalten Sie ein Zertifikat der Universität Freiburg. Sie erwerben 6 Kreditpunkte (ECTS), die Ihnen im Master-studiengang IEMS angerechnet werden können.

Mehr Informationen zur Lernorganisation bei IEMS

Wofür können die Inhalte verwendet werden?

  • Suche nach verborgenen Zusammenhängen in großen, hochdimensionalen Datensätzen, z.B. medizinischen Datenbanken, Produktionsdaten, Verkehrsdaten, Web-Traffic.
  • Komplexe Entscheidungsfindungen implementieren, die nicht oder nur sehr schwierig manuell programmierbar sind, z.B. Videoverarbeitung beim autonomen Fahren,  oder bei der Spracheingabe.
  • Datengetriebene Vorhersagen z.B. für Predictive Maintenance im Industrie 4.0 Kontext.
  • Data Mining: Nutzung historischer Daten, um die Entscheidungsfindung zu verbessern, z.B. Medizinische Akten, Medizinisches Wissen.
  • Selbstanpassende Programme, z.B. Newsreader, der sich an die Vorlieben des Benutzers anpasst.

Wie ist der Kurs aufgebaut?

  1. Overview
  2. Linear Classification & Regression
  3. Linear Subspace Projection
  4. Algorithm Independent Principles
  5. Kernel Methods
  6. Trees and Forests
  7. Boosting
  8. Deep Learning and Neural Networks

    Welcher Fachexperte betreut dieses Angebot?

    Prof. Dr. Josif Grabocka
    Representation Learning Research Group

    Schreiben Sie uns!

    Ihr persönlicher Ansprechpartner
    Alistair IrelandStudienberatung

    Sie haben Fragen zum Kurs oder möchten mehr über das Weiterbildungsprogramm Intelligente Eingebettete Mikrosysteme erfahren? Wir freuen uns über Ihre Nachricht.


    Zur Anmeldung schicken Sie uns das ausgefüllte Anmeldeformular direkt per Mail an iems@weiterbildung.uni-freiburg.de.

    Downloads

    Laden Sie sich die Informationen zum Kurs im pdf-Format herunter!

    Laden Sie sich das Anmeldeformular für diesen Kurs herunter!