Grundlagen des Angewandten Machine Learning

Dieser Kurs führt in die Grundlagen des Machine Learnings ein. Anhand interaktiver Visualisierungen lernen Sie, wie Algorithmen wie lineare Regression funktionieren und wie Parameter durch Optimierungsverfahren wie den Gradientenabstieg angepasst werden. Der Fokus liegt auf praktischen Anwendungen und dem Verständnis der zugrunde liegenden mathematischen Prinzipien.

Themenübersicht

• Lineare Regression

  Visualisierung des Gradientenabstiegs für lineare Regression mit Fehlerkontur im Parameterraum.

• Tokenization

  Interaktive Visualisierung, wie Text in Tokens für Sprachmodelle zerlegt wird. Vergleiche verschiedene Tokenizer-Algorithmen wie BPE, Word-Level und Character-Level.

• Embeddings & Positional Encoding

  Interaktive 3D-Visualisierung von Word Embeddings und Positional Encoding bei Transformern. Verstehe, wie Wörter als Vektoren dargestellt werden und wie Positionsinformationen hinzugefügt werden.

• Self-Attention Mechanismus

  Schritt-für-Schritt Visualisierung des Self-Attention Mechanismus mit Query, Key und Value Matrizen. Lerne, wie Transformer-Modelle den Kontext von Wörtern nutzen und wie Adjektive die Bedeutung beeinflussen.

• Temperature & Top-k Sampling

  Interaktive Visualisierung des Einflusses von Temperature und Top-k Sampling auf die Output-Wahrscheinlichkeiten von Large Language Models. Verstehe, wie diese Parameter die Kreativität und Vorhersagbarkeit von LLM-Ausgaben steuern.

• Variational Autoencoder (VAE)

  Interaktive Visualisierung eines Variational Autoencoders mit Encoder- und Decoder-Netzwerken. Erkunde den latenten Raum, den Reparametrisierungstrick und die Balance zwischen Rekonstruktionsfehler und KL-Divergenz.

• Precision-Recall Curve für Object Detection

  Interaktive Visualisierung der Precision-Recall Metrik bei YOLO Object Detection. Verstehe den Trade-off zwischen Precision und Recall und wie der Confidence Threshold die Performance beeinflusst.