Spezifische KI-Vertiefungen

Um KI-Methoden auf neue Problemstellungen anzuwenden, sind häufig neue Verfahren und Strategien notwendig. Räumlich angeordnete Daten lassen sich zum Beispiel in der Regel besser mit CNNs (Convolutional Neural Networks) verarbeiten, Zeitreihen mit RNNs (Recurrent neural networks) und Sprachdaten, bei denen im Allgemeinen längere zeitliche Zusammenhänge berücksichtigt werden müssen, mittels sogenannter Transformer. Je nach Verfügbarkeit und Qualität der Datensätze und Annotationen sind Unsupervised und Self-Supervised-Learning-Strategien sowie verschiedenste Data-Augmentation-Verfahren im Einsatz. Ein grundlegendes Verständnis dieser Architekturen, Lernstrategien und weiterer KI-Methoden hilft dabei, schnell zu effizienten Lösungen zu finden.

Kurs

In dem Modul "Spezifische KI-Vertiefungen" werden KI-Architekturen verschiedener Komplexität, sowie Lernstrategien und weitere Details des maschinellen Lernens näher beleuchtet. Alle Bestandteile des Kurses werden mit Beispielen und interaktiven Jupyter-Notebooks begleitet. Auf diese Weise können alle Teilnehmer das Gelernte direkt anwenden.

Der Kurs richtet sich an alle Wissenschaftler, die ein tieferes Verständnis von KI-Methoden erlangen wollen, um auf dem Weg zur Anwendung in ihrer Disziplin informierte Entscheidungen treffen zu können.

• CNNs
• RNNs
• Dimensionsreduktion / Autoencoder
• Attention / Transformer
• Graph Neural Networks
• Generalisation vs. Overfitting
• Self-supervised learning
•  Active learning