Introduction to Machine Learning

Maschinelles Lernen ist ein sich schnell entwickelnder Bereich. Im wissenschaftlichen Kontext gewinnen jedoch Anforderungen wie die Interpretierbarkeit an Bedeutung, die im Zusammenhang mit maschinellem Lernen teilweise eine Herausforderung darstellen. In diesem Kurs werden die grundlegenden Konzepte verschiedener Methoden des maschinellen Lernens vorgestellt, darunter neuronale Netze, Long-Short-Term-Memory-Netzwerke, Gauß-Prozess-Regression und Support-Vektor-Maschinen. Darüber hinaus werden die unterschiedlichen Anforderungen datenbasierter und physikbasierter Anwendungen im Hinblick auf ihre Auswirkungen auf die Wahl der geeigneten Methode des maschinellen Lernens erörtert, unter anderem mit konkreten geo- und umweltwissenschaftlichen Beispielen. Dabei liegt der Schwerpunkt auf Aspekten wie der räumlichen Abhängigkeit, der Übertragbarkeit zwischen unterschiedlichen Modellen und geologischen Gegebenheiten, sowie der Auswirkung auf Interpretierbarkeit, Unsicherheitsanalysen und Vorhersagen. Alle Vorlesungen werden durch praktische Übungen ergänzt, in denen die vorgestellten Konzepte mit Scikit-Learn und TensorFlow umgesetzt werden.