Reinforcement Learning - Lernen durch Interaktion
Systematische Einführung in verstärkendes Lernen von Markov-Entscheidungsprozessen über klassische Algorithmen bis zu modernen Deep Reinforcement Learning-Ansätzen.
Systematische Einführung in verstärkendes Lernen von Markov-Entscheidungsprozessen über klassische Algorithmen bis zu modernen Deep Reinforcement Learning-Ansätzen.
Systematische Exploration unüberwachter Lernverfahren von klassischen Clustering-Algorithmen über moderne Anomalieerkennung bis zu generativen Modellen und Self-Supervised Learning.
Eine wirtschaftswissenschaftliche Analyse des wiederkehrenden Phänomens der wahrgenommenen Modell-Degradation bei großen Sprachmodellen und den psychologischen sowie ökonomischen Faktoren dahinter.
Detaillierte technische Erklärung moderner Sprachmodelle - von Tokenisierung über Attention-Mechanismen bis zur Textgenerierung. Eine Schritt-für-Schritt-Analyse was passiert, wenn eine Anfrage verarbeitet wird
KI-Agenten sollen autonom komplexe Aufgaben lösen und menschliche Arbeit ersetzen. Die aktuelle Realität zeigt jedoch, dass die meisten Systeme kaum über automatisierte Workflows hinausreichen. Eine kritische Bestandsaufnahme der Diskrepanz zwischen agentischen Versprechen und technischen Grenzen.
Die historische Entwicklung des überwachten Lernens von frühen Erfolgen bis zu modernen Durchbrüchen, die maschinelles Lernen zur praktischen Realität machten.
Eine umfassende Betrachtung der Regression als fundamentales Verfahren zur Vorhersage kontinuierlicher Werte mit Analyse der wichtigsten Algorithmen von linearer Regression über polynomiale Ansätze bis zu fortgeschrittenen Regularisierungstechniken.
Eine detaillierte Betrachtung der Klassifizierung als fundamentales Verfahren des überwachten Lernens mit Analyse der wichtigsten Algorithmen wie k-NN, Naive Bayes, Support Vector Machines, Logistische Regression und Random Forests.