Die Vorlesung führt zunächst in grundlegende Konzepte des Machine Learning ein, wie etwa die definition von supervised und unsupervised learning, sowie die Unterscheidung von Trainings- und Testdaten. Im Anschluss werden Entscheidungsbäumen als Beispiel genutzt, um einen ersten Eindruck davon zu vermitteln, wie maschinelles Lernen grundsätzlich funktioniert. Entscheidungsbäume sind ein Klassifikationsverfahren, das ausgehend von einer begrenzten Menge an Merkmalen (alias features, Eigenschaften, Variablen) eine große Menge von Objekten einer wiederum begrenzten Menge von Kategorien zuordnen kann.
---
Die Vorlesung führt in informationstechnische und statistische Grundlagen der Data Science ein. Sie ist Teil eines zweisemestrigen Zyklus zu "Datenwelten". Im Sommersemester folgt eine zweite Vorlesung, die sich Datenethik, Datenrecht und erkenntnistheoretischen Reflektionen auf eine "verdatete" Welt befassen wird.
Beide Vorlesungen werden von interdisziplinär zusammengesetzten Teams von Lehrenden gehalten, um unterschiedliche Perspektiven auf Data Science, unterschiedliche Fragestellungen und Problemsichten einzubringen und aufeinander zu beziehen.
Studierende entwickeln dabei ein Grundverständnis folgender Inhalte:
* Funktionsweise der informationstechnischen Systeme, die in weiten Teilen unseren Alltag (mit-)gestalten
* Das technische und soziale Zusammenspiel dieser Systeme bei der Erhebung, Aufbewahrung und Nutzung von Daten
* Einfache statistische Verfahren zur Datenanalyse
* Verfahren aus dem Bereich des maschinellen Lernens (Classification, Regression, Clustering)
* Elementare Einführung in Neuronale Netze und ihre Anwendungen in der Bild- und Sprachverarbeitung
This video may be embedded in other websites. You must copy the embeding code and paste it in the desired location in the HTML text of a Web page. Please always include the source and point it to lecture2go!
