Dieser Spezialisierungskurs rekapituliert nochmals die Grundlagen des maschinellen Lernens, insbesondere des Deep Learning. Im Anschluss wird werden die folgenden Themen behandelt:

• Advanced Feature Engineering Methods
• Anomaly detection
• Autoencoders
• Generative Models
• Variational Autoencoders
• Generative Adversarial Networks
• Explainable Machine Learning
• Reinforcement learning

Mit diesem fortgeschrittenen Kurs werden weitere Wissenslücken im Bereich des Machine Learning geschlossen. Sie wenden das erlangte Wissen in Python Notebooks an und übertragen das Gelernte auf spezielle Computer-Vision-Probleme der realen Welt und sind damit in der Lage, weitere moderne Methoden des maschinellen Lernens in Unternehmen und in der Forschung anzuwenden und weiterzuentwickeln.

Themen
Konkret werden in diesem Fortgeschrittenenkurs folgende Themen behandelt:

• ML and DL principles (recap)
• Advanced Feature Engineering Methods
• Anomaly detection
• Standardization,Box Plots,Correlation,DB-Scan Clustering,Isolation Forest,Robust Random Cut Forest
• Autoencoders
• feature selection and feature extraction
• Latent variables and spaces
• Image denoising
• Missing value imputation / image impainting
• Domain adaptation
• Generative Models
• Variational Autoencoders
• Generative Adversarial Networks
• Explainable Machine Learning
• XAI methods and definitions
• Partial Dependence Plots
• Individual Conditional Expectation
• Centered Individual Conditional Expectation
• Derivative Individual Conditional Expectation
• Shapley Values
• Local Interpretable Model-agnostic Explanations (LIME)
• Reinforcement learning
• Definitions
• Reinforcement control loop
• Markov Decision process
• Transition Probabilities
• Discounted and Expected Return
• Policies And Value Functions
• The exploration-exploitation dilemma
• Q-Learning
• Deep Reinforcement Learning