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..
Maschinelles Lernen
- 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
Dates / Location / Cost
| Date | Location | Costs |
|---|---|---|
| This course has already started. Future sessions are being planned. |
Institution and Location
Institution
Albert-Ludwigs-Universität Freiburg
Weiterbildungsprogramm IEMS
Location
Online
Target Audience and Prerequisites
Prerequisites
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.
Content and Learning Objectives
Content
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 zunehmenden 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.
Programme Details
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 Selbstkontrolle 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.
Learning Objectives
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.
Course Format, Certification, Quality Assurance
Course Format
Online
Certification
Mit erfolgreichem Bestehen der Prüfung erhalten Sie ein Zertifikat der Universität Freiburg. Sollten Sie sich zu einem späteren Zeitpunkt entschließen, einen Masterabschluss zu erwerben, werden Ihnen die bereits erfolgreich absolvierten Kurse im Masterstudiengang IEMS angerechnet.
Creditpoints (ECTS)
6
Language
English
Dates and Deadlines
This course has already started. When new courses become available they will be added.
Lecturers
Prof. Dr. Josif Grabocka
Universität Freiburg
More information
Sie wollen Ihr Wissen vertiefen?
Entdecken Sie hier mehr Angebote des Weiterbildungsprogramms Intelligente Eingebettete Mikrosysteme (IEMS):
Mikroelektronische Bauelemente und Grundschaltungen
Projektmanagement in Software Engineering für Embedded Systems
Entwurf, Analyse und Umsetzung von Algorithmen
Entwurf von Mikrosystemen
Wahrscheinlichkeitstheorie und Statistik
Microcontroller und FPGA-Systeme
Echtzeit-Betriebssysteme und Zuverlässigkeit
Vernetzte Eingebettete Systeme
Grundlagen Algorithmik und Wahrscheinlichkeit (CAS)
Eingebettete Mikrosysteme: Bauelemente und Vernetzung (CAS)
Maschinelles Lernen für eingebettete Systeme (CAS)
