Exkurs: Datenanalyse mit Pandas Vollbildmodus ・ Download: Jupyter-Notebook d14.csv d28.csv d55.csv q Startseite 5. Künstliche Intelligenz 1. Menüansicht + 1. Basiswissen KI + 1. Grundbegriffe - KI, was ist das? + 1. Erkundung + 2. Strukturierung + 3. Fachkonzept + 4. Übungen + 5. Arten von KI + 2. Lernende Systeme - Lernarten + 1. Erkundung - Wissenbasierte Systeme + 2. Erkundung - Lernende Systeme + 3. Lernarten + 4. Entscheidungsbäume + 3. Geschichte der KI + 1. KI: Faszination und Ängste + 2. Automatisierung und KI + 3. Expertensysteme und Maschinelles Lernen + 2. KI erkunden + 1. Verstärkendes Lernen beim Bauernschach + 4. Logische Gatter mit künstl. Neuronen + 1. Basis - Vereinfachtes Neuron Lernstrecke - Vereinfachtes Neuron 1 - Das künstliche Neuron 2 - Die erste Aufgabe für unser Neuron 3 - Übung: Die ersten Aufgaben 4 - Kantengewichte 5 - Übung: Schwierigere Aufgaben Zusammenfassung + 2. Basis - Lernendes Neuron Lernstrecke - Lernendes Neuron 1 Anfangsbelegung 2 Erste Lernregel 3 Zweite Lernregel 4 Dritte Lernregel 5 Übungen Zusammenfassung + 5. Steinlauserkennung mit künstl. neuronalen Netzen + 3. Einzelne Neuronen + 3. Vertiefung der Grundlagen + 4. Übungen - Digitale Schaltungen + 5. Übungen - Grundlagen + 6. Lernende Neuronen Wie lernt ein künstliches Neuron? 0 Der Aufbau eines Neurons 1 Anfangsbelegung 2 Trennlinie 3 Der erste Lernschritt 4 Allgemeine Formeln 5 Der zweite Lernschritt Zusammenfassung + 7. Übungen Perzeptron + 8. Fachkonzept - Künstliches Neuron + 4. Neuronales Netz + 1. Einführung Neuronale Netze Einführung Neuronale Netze 0 Die Steinlaus 1 Separieren 2 Ungleichungen 3 Die Neuronen 4 Das neuronale Netz Zusammenfassung + 2. Übungen - 3. Maschinelles Lernen mit Python - 1. gesunde Lebensmittel mit Entscheidungsbäumen + 1. Exkurs: Datenanalyse mit Pandas + 2. Parameter variieren: Entscheidungsbäume + 3. Trainingsprozess variieren: Entscheidungsbäume + 4. Algorithmus variieren: Lineare Regression + 5. Kontext variieren: Iris-Datensatz + 3. Data Science - Empfehlungssysteme + 1. Projekt: Empfehlungssysteme + 1. Projektexpertise + 1. Bereichsexpertise/ Bereichswissen + 1. Nutzen von Empfehlungssystemen + 2. Inhaltsbasierte Empfehlungssysteme + 3. Kollaborative Empfehlungssysteme + 4. Hybride Empfehlungssysteme + 2. Datenexpertise + 1. Jupyter Notebooks Jupyter Notebooks Notebook öffnen Code ausführen Codezellen Markdown + 2. Daten sammeln - Variante I + 3. Daten beschreiben - Variante II + 4. Daten erkunden + 5. Daten visualisieren + 6. Data Dashboards + 2. Datenvorbereitung + 1. Datenbereingung und -formatierung + 2. Notwendigkeit der Datenumstrukturierung + 3. Datenumstrukturierung (inhaltsbasiert) + 4. Datenumstrukturierung (kollaborativ) + 3. Modellentwicklung + 1. Maschinelle Lernmodelle + 2. KNN-Klassifikation: Einführung + 1. Nächste-Nachbar-Klassifikation + 2. Wahl des Parameters k + 3. Abstandsmaß + 4. Trainings- und Anwendungsphase + 5. Erweiterung der Klassen + 6. Erweiterung der Attribute + 7. Wahl der Attribute + 3. KNN-Klassifikation für Empfehlungssysteme + 1. Inhaltsbasierte KNN-Klassifikation + 2. Kollaborative KNN-Klassifikation + 3. KNN-Klassifikation Implementierung + 4. Modellevaluierung + 1. Holdout Methode + 2. Modellbewertung + 3. Modellverbesserung + 5. Phänomen: Filterblase + 4. Exkurs: BigData - Bibliothek Pandas + 1. Grundlagen Pandas + 2. Auswertung Geodaten + 5. Deep-Learning - Ziffernerkennung + 1. Neuronen + 2. Perzeptron als künstliches Neuron + 1. Aufgaben (Notebook) + 3. Separationsgerade + 1. Aufgaben (unplugged) + 2. Aufgaben (Notebook) + 4. Fachkonzept Perzeptron + 5. Exkurs: Maschinelles Lernen - Delta-Regel nach Rosenblatt + 1. Aufgaben (Notebook) + 6. XOR-Problem + 1. Aufgaben (Notebook) + 7. Fachkonzept künstliche Neuronen + 8. Gradientenabstiegsverfahren + 1. Umsetzung in Python (Notebook) + 9. Künstliche Neuronale Netze + 1. Fachkonzept Forward-Propagation + 2. Forward-Propagation mit Python (Notebook) + 10. Ziffernerkennung + 1. MNIST-Datensatz (Notebook) + 2. Machine Learning (Notebook) + 3. Visualisierung + 1. Fully-Connected Network + 2. Fully-Connected Network (3D) + 3. Convolutional Network + 4. Convolutional Network (3D) + 4. Datenaufbereitung + 11. Exkurs: Backward-Propagation + 1. Gradientenabstiegverfahren + 2. Backpropagation-Algorithmus + 4. KI und Gesellschaft + 2. Chancen und Risiken + 1. Einstieg + 2. Übungen + 3. Ethische und moralische Aspekte + 1. Unbegründbarkeit von KI-Entscheidungen + 2. Werbetracking als Quelle für persönliche Daten + 3. Zum Weiterhören
