Mathematik als Fundament für Maschinelles Lernen (ML): Wieviel Mathematik ist notwendig, um datenbasierte Probleme mit ML zu lösen?

AI Quick Summary

Ausgangslage und ProblemstellungDie Arbeitswelt der Zukunft wird immer mehr von digitalen Informationen und Abläufen geprägt und bereits heute lässt sich beobachten, wie es schwierig für die Berufstätigen ist, sich neue Technologien anzueignen, die richtigen Anwendungen für diverse Problemstellungen adäquat auszuwählen und einzusetzen. Eine der meisteingesetzten Anwendungen ist das Maschinelle Lernen (ML) oder auch Machine Lerning (ML) aus dem Bereich künstlicher Intelligenz (KI). Das ML ist in aller Munde und es wird darüber verschiedenes behauptet. Oftmals wird ML auch als Hype, fern der Mathematik, abgetan. Dabei wird jedoch vergessen, dass die Ursprünge des Maschinellen Lernens in der Mathematik liegen. Jede Person, die sich mit ML ernsthaft beschäftigt, weiss jedoch, dass die Mathematik neben der Informatik und der Statistik ein zentraler Bestandteil von Maschinellem Lernen ist. In dieser Arbeit sollte ein kohärentes und wissenschaftliches Fundament für diejenigen bereitgestellt werden, die mit ML Lösungen für datenbasierte Problemstellungen suchen.Ziel der Arbeit und erwartete ResultateBeschreibung der Elementarbestandteile des Maschinellen Lernens Zusammenstellung der notwendigen mathematischen Grundlagen für das Maschinelle LernenBeschreibung verschiedener Anwendungsgebiete von MLDarstellung der Hauptmodelle von ML: supervised, unsupervised und reinforcement LearningKlassifizierung der Hauptmodelle in Bezug auf diskreten und kontinuierlichen MessdatenKlarstellung und Begründung der Stärke und der Grenzen von MLGewünschte Methoden, VorgehenHauptbücher:· Stuart Russell and Peter Norvig, Artificial Intelligence A Modern Approach, Pearson (2021)· John V. Guttag, Introduction to Computation and Programming Using Python with Application to Understanding Data, The MIT Press (2016)Kreativität, Varianten, Innovation

Project Idea Metadata

• Project Idea Name: Mathematik als Fundament für Maschinelles Lernen (ML): Wieviel Mathematik ist notwendig, um datenbasierte Probleme mit ML zu lösen?
• Date: 7/25/2022 1:16:15 PM
• Administrators:
  • Transfer Services I

Project Idea Description

Ausgangslage und Problemstellung

Die Arbeitswelt der Zukunft wird immer mehr von digitalen Informationen und Abläufen geprägt und bereits heute lässt sich beobachten, wie es schwierig für die Berufstätigen ist, sich neue Technologien anzueignen, die richtigen Anwendungen für diverse Problemstellungen adäquat auszuwählen und einzusetzen. Eine der meisteingesetzten Anwendungen ist das Maschinelle Lernen (ML) oder auch Machine Lerning (ML) aus dem Bereich künstlicher Intelligenz (KI).

Das ML ist in aller Munde und es wird darüber verschiedenes behauptet. Oftmals wird ML auch als Hype, fern der Mathematik, abgetan. Dabei wird jedoch vergessen, dass die Ursprünge des Maschinellen Lernens in der Mathematik liegen. Jede Person, die sich mit ML ernsthaft beschäftigt, weiss jedoch, dass die Mathematik neben der Informatik und der Statistik ein zentraler Bestandteil von Maschinellem Lernen ist.

In dieser Arbeit sollte ein kohärentes und wissenschaftliches Fundament für diejenigen bereitgestellt werden, die mit ML Lösungen für datenbasierte Problemstellungen suchen.

Ziel der Arbeit und erwartete Resultate

• Beschreibung der Elementarbestandteile des Maschinellen Lernens
• Zusammenstellung der notwendigen mathematischen Grundlagen für das Maschinelle Lernen
• Beschreibung verschiedener Anwendungsgebiete von ML
• Darstellung der Hauptmodelle von ML: supervised, unsupervised und reinforcement Learning
• Klassifizierung der Hauptmodelle in Bezug auf diskreten und kontinuierlichen Messdaten
• Klarstellung und Begründung der Stärke und der Grenzen von ML

Gewünschte Methoden, Vorgehen

Hauptbücher:

· Stuart Russell and Peter Norvig, Artificial Intelligence A Modern Approach, Pearson (2021)

· John V. Guttag, Introduction to Computation and Programming Using Python with Application to Understanding Data, The MIT Press (2016)

Kreativität, Varianten, Innovation