Moderne Machine-Learning Frameworks erlauben den einfachen Zugriff auf ausgefeilte Algorithmen, um Datenpunkte zu (gelernten) Modellen zu generalisieren. Solche Modelle können dann z.B. eingesetzt werden, um Bilderkennung zu betreiben, die Kreditwürdigkeit von Antragstellern bei Banken zu schätzen, oder Daten in eingebetteten Systemen zu rekonstruieren.
Viele Anwendungen in der Praxis benötigen darüber hinaus aber auch eine Qualitätssicherung der gelernten Modelle. Nicht alle gelernten Modelle ergeben Sinn, und ob dies der Fall ist, muss vor dem Einsatz solcher Modelle geprüft werden.
In diesem Seminar werden wir betrachten, wie man Machine Learning so anwenden kann, dass die gelernten Modelle möglichst verlässlich sind. Wir legen dabei einen Fokus auf künstliche neuronale Netze als Modellklasse und nutzen moderne Frameworks wie z.B. Pytorch, TensorFlow oder Keras für ein paar ausgewählte Beispielszenarien. Danach betrachten wir, wie wir die gelernten Modelle bewerten können. Dies umfasst Teithemen wie z.B.:
- Aufteilung in Training, Test-, und Validierungs-Datensätze
- Statistische Methoden zur Bewertung gelernter Modelle
- Abdeckung von Testfällen
- Verifikation von gelernten Modellen
Der Fokus des Seminars liegt dabei auf dem praktischen Anwenden der Methoden nach deren Erarbeitung und dem Sammeln von Erfahrungen für den effektiven Einsatz von Machine Learning Methoden in der Praxis.
