Machine Learning

Machine Learning ist die zentrale Problemlösungsmethode und Technologie, die es erlaubt, Nutzen aus den gigantischen Datenmengen zu ziehen, die von Sensoren, „Dingen“, und Menschen erzeugt werden. Die immer schneller wachsende Verfügbarkeit von Daten und Rechenleistung treibt Machine Learning zu immer neuen Erfolgen. Machine Learning steht hinter Technologiefeldern wie Sprach- und Bilderkennung, Anomalieerkennung und Predictive Maintenance. Auch viele Anwendungen wie autonomes Fahren, Gesichtserkennung, Fraud Detection, Chatbots, oder die Personalisierung von Angeboten basieren auf der innovativen Technologie, die ein Teilbereich der Künstlichen Intelligenz (KI) darstellt.

Unser Portfolio an Online-Kursen und Online-Lerninhalten zu Machine Learning deckt eine große Bandbreite an Themen ab. Wir erklären Grundlagen und wichtige Konzepte des maschinellen Lernens, diskutieren Anwendungsbeispiele, und vertiefen auch einzelne Themen wie Deep Learning oder Anomalieerkennung. Schulungen und Tutorials mit konkreten Machine Learning-Aufgaben führen auf Basis von Jupyter Notebooks an die Praxis heran. Die Inhalte decken ein breites Spektrum ab: Klassifikation, Regression, Clustering, Supervised Learning, Unsupervised Learning, Algorithmen wie Decision Tree, Random Forest und insbesondere künstliche neuronale Netzwerke und Convolutional Neural Networks (CNN). Unser Portfolio an Online-Lerninhalten ist die Ausgangbasis, um maßgeschneiderte Schulungen und Trainings für Ihr Unternehmen und Ihre Mitarbeiter*innen zu gestalten.

Die Inhalte in diesem Bereich wurden mit einer Reihe von Unternehmen und Institutionen erstellt, unter anderem mit Experten von Fraunhofer, Professor van der Smagt (Datalab Munich), ZEISS, und Blue Yonder.

Unsere Kooperationspartner

Wir haben Inhalte mit Experten aus verschiedensten Unternehmen und Institutionen im Bereich Machine Learning im Angebot. Hier einige Beispiele der beitragenden Partner und Experten:

Prof. Dr. Patrick van der Smagt

Director of AI Research, Volkswagen Group

Prof. Dr. Michael Feindt

Founder & Strategic Advisor, Blue Yonder
Professor at Karlsruhe Institute of Technology

Folgende Themen decken wir mit unserem Portfolio ab:

  • Unterscheidung Künstliche Intelligenz, Machine Learning und Deep Learning
  • Bedeutung von Daten
  • Überwachtes und unüberwachtes Lernen
  • Künstliche Neuronale Netze
  • Algorithmen und Modelle
  • Klassifikation, Regression, Clustering
  • Trainieren, Validieren und Testen
  • Overfitting und Bias
  • Ethical AI, Explainable AI, Fair AI
  • Bilderkennung
  • Spracherkennung
  • Stimmungsanalyse
  • Anomalieerkennung
  • Predictive Maintenance
  • Autonomes Fahren
  • Gesichtserkennung
  • Chatbots
  • Betrugserkennung
  • Virtuelle persönliche Assistenten
  • Personalisierung von Angeboten
  • Verfügbarkeit von (annotierten) Daten
  • Qualität der Daten, sind Daten repräsentativ
  • Benötigte Rechenleistung und -zeit
  • Erklärbarkeit der Ergebnisse
  • Overfitting und Bias
  • Ungewissheit von KI-Projekten: hohes Risiko bei der Abschätzung der Wirtschaftlichkeit
  • Schnelle technologische Entwicklung erfordert hohe Flexibilität
  • Schwierige Kommunikation zwischen ML- und Domainexperten
  • KI-Produkte müssen ständig überwacht und aktualisiert werden
  • Breites Verständnis für KI in der Organisation erforderlich

Unser Portfolio ist die Basis für:

Sehen Sie jetzt einige Beispiele für Inhalte aus unserem Angebot an:

Machine Learning on the High Trail | ENG | 6 Kapitel | ca. 5 Std.

Dieser Kurs führt von der Erklärung, was maschinelles Lernen bedeutet und warum es ein Zweig der Wahrscheinlichkeitstheorie ist, über die wichtigsten Aufgaben und Algorithmen des maschinellen Lernens bis zum Verständnis neuronaler Netze. Für diese Einführung sind keine Vorkenntnisse erforderlich.
Machine Learning on the High Trail wurde in Zusammenarbeit mit Prof. van der Smagt, einem führenden Forscher auf dem Gebiet des maschinellen Lernens in Europa, erstellt.

Zum Kurs


Deep Learning Tutorial | ENG | 5 Kapitel | ca. 3 Std.

Das Deep Learning Tutorial erläutert das Training von Convolutional Neural Networks, einer Klasse von neuronalen Netzen, die sich besonders gut für die Bildverarbeitung eignet. Sie lernen wichtige Methoden wie Gradient Descent und mathematische Prinzipien kennen, sowie die Rolle und Funktion von Hyperparametern und deren Optimierung. Schließlich können Sie Ihre Intuition für neuronale Netze verbessern, indem Sie das Verhalten eines neuronalen Netzes unter dem Einfluss verschiedener Hyperparameter im Tensorflow Playground testen.
Das Deep Learning Tutorial wurde mit Experten von ZEISS erstellt.

Zum Kurs

Ihr Ansprechpartner für Machine Learning bei University4Industry:

Dr. Horatiu Fantana

Der promovierte Biophysiker Horatiu leitet bei uns den Fachbereich Machine Learning und künstliche Intelligenz. Hierbei beschäftigt er sich damit, wie komplexe Themen rund um die Analyse und Nutzung von Daten praxisnah und einfach verständlich vermittelt werden können. Gemeinsam mit Kunden und Partnern entwickelt er laufend neue Lerninhalte und Formate. Der Transfer hin zur praktischen Anwendung in Industrie und Unternehmen steht dabei stets im Mittelpunkt.