Grundlagen der Künstlichen Intelligenz (KI)
- Was ist das Ziel der KI?
- Nennen Sie drei Anwendungsbeispiele für KI.
- Was sind Kenngrößen (Features) beim maschinellen Lernen?
- Was ist der Unterschied zwischen überwachten und unüberwachten Lernverfahren?
- Was bedeutet Particify im Kontext der Vorlesung?
Lineare Regression
- Was ist die Grundidee der linearen Regression?
- Was ist der quadratische Fehler und wie wird er bei der linearen Regression verwendet?
- Was bedeutet Verallgemeinerung im Zusammenhang mit Modellen?
- Wie werden Trainings- und Testdaten bei der linearen Regression verwendet?
- Was ist das Bestimmtheitsmaß und wie wird es zur Bewertung von Regressionsmodellen eingesetzt?
- Erklären Sie die k-fache Kreuzvalidierung und ihren Zweck.
- Was ist der Unterschied zwischen metrischen, ordinalen und nominalen Daten?
- Was ist One-Hot-Encoding und wofür wird es verwendet?
Statistische Grundlagen
- Was ist eine Stichprobe und warum wird sie in der Statistik verwendet?
- Was ist ein Histogramm und wozu dient es?
- Erklären Sie den Erwartungswert und das arithmetische Mittel.
- Was sind Wahrscheinlichkeiten und bedingte Wahrscheinlichkeiten?
- Erläutern Sie den Satz von Bayes.
- Was ist eine Wahrscheinlichkeitsdichte, insbesondere die Normalverteilung?
Klassifikation
- Was ist das Ziel der Klassifikation?
- Wie funktioniert ein Entscheidungsbaum und wie werden Entscheidungen getroffen?
- Wie werden Entscheidungsbäume aus Trainingsdaten erstellt?
- Was ist die Informationsentropie und wie wird sie in Entscheidungsbäumen verwendet?
- Was sind die Vorteile und Nachteile von Entscheidungsbäumen?
- Was ist eine Konfusionsmatrix und wofür wird sie verwendet?
- Erklären Sie die Begriffe Sensitivität und Spezifität im Kontext von Klassifikationsmodellen.
- Was ist die balancierte Fehlerrate (BER) und wann wird sie verwendet?
- Was ist Ensemble Learning und welche Arten gibt es?
- Was sind Random Forests und wie funktionieren sie?
- Was ist Boosting im Kontext von Ensemble Learning?
- Wie funktioniert der Naive Bayes Klassifikator und welche Annahmen trifft er?
- Was sind die Vorteile und Nachteile des Naive Bayes-Klassifikators?
- Was sind Support Vector Machines (SVM) und was ist die Grundidee?
- Was ist der Parameter C bei SVMs und wie beeinflusst er das Modell?
- Was ist ein Kernel bei SVMs und warum werden sie eingesetzt?
- Erklären Sie den polynomialen Kernel und den Radial Basis Function Kernel (RBF).
- Was sind Neuronale Netze und wie sind sie aufgebaut?
- Was sind Neuronen und wie funktionieren sie?
- Was sind Aktivierungsfunktionen und warum werden sie benötigt?
- Was ist die Backpropagation und wofür ist sie notwendig?
- Was ist das Gradientenabstiegsverfahren?
Hyperparameter
- Was sind Hyperparameter und warum sind sie wichtig?
- Was ist GridSearchCV und wie wird es zur Hyperparameteroptimierung eingesetzt?
Unüberwachtes Lernen
- Was ist Dimensionsreduktion und warum wird sie verwendet?
- Was sind abstandserhaltende Projektionen?
- Was ist Multi-Dimensional Scaling (MDS)?
- Was ist t-distributed Stochastic Neighbor Embedding (t-SNE)?
- Was ist Clustering und was ist die Grundidee?
- Wie funktioniert der k-Means Algorithmus?
- Was ist die Ellenbogen-Methode und wozu dient sie?
Reinforcement Learning
- Was ist die Grundidee des Reinforcement Learning?
- Was sind Zustandsdiagramme im Kontext von Reinforcement Learning?
- Was ist die Q-Tabelle?
Deep Learning
- Was ist Deep Learning?
- Was ist der Unterschied zwischen Deep Learning und Machine Learning?
- Was ist Keras und wofür wird es verwendet?
- Was ist der Fashion-MNIST Datensatz?
- Was sind die Bestandteile eines neuronalen Netzwerks für die binäre Klassifikation?
- Was ist die Softmax-Funktion und wofür wird sie verwendet?
- Was ist ein Convolutional Neural Network (CNN)?
- Was ist Max Pooling und wofür wird es verwendet?
- Was ist Dropout und wie wird es eingesetzt?
- Was ist Padding bei CNNs?
Transfer Learning
- Was ist die Grundidee des Transfer Learnings?
- Was ist die ImageNet Challenge?
- Was ist VGG16 und wofür wird es verwendet?
Long Short-Term Memory (LSTM)
- Was sind die Anforderungen an zeitliche Modelle bei rekurrenten neuronalen Netzen?
- Warum ist die Wiedereinschleusung von Zwischenergebnissen wichtig bei RNNs?
- Was sind RNNs?
- Welche Grundtypen von RNNs gibt es?
- Was ist das Problem mit dem Verschwinden von Gradienten?
- Was ist LSTM und wie löst es das Problem des Verschwindens von Gradienten?
- Wie wird der Zugriff auf das Gedächtnis bei LSTM gesteuert?