Der Kurs führt handlungsorientiert und mithilfe aktueller IT-Didaktik in grundlegende Machine-Learning-Konzepte ein – ganz ohne Programmierung. Als Einsteiger*in ohne Programmierkenntnisse beschäftigen Sie sich im Kurs praxisbezogen mit den fundamentalen Methoden und Anwendungen von Machine Learning (ML) und Künstlicher Intelligenz (KI). Der dreitägige Präsenzkurs soll Ihnen helfen, ML-Potentiale in Ihrer eigenen Forschung oder Ihrem Fachgebiet besser einschätzen zu können.
Sie nutzen im Kurs Excel, Whiteboards und KNIME. Diese Werkzeuge ermöglichen es uns, sämtliche Schritte einer ML-Analyse – von der Datenvorbereitung über die Modellierung bis hin zur Ergebnisinterpretation – durchzuführen, ohne selbst Code schreiben zu müssen. Als Beispieldaten verwenden wir Datensätze zu Myokardinfarkt-Komplikationen. Die vermittelten Fähigkeiten sind universell einsetzbar und ermöglichen es Ihnen, die erlernten Methoden mühelos auf eigene Anwendungsfälle – auch aus anderen Fachdisziplinen – zu übertragen.
Zielgruppe
Wissenschaflter*innen, die einen orientierenden praxisfokussierten Eindruck über Machine Learning erhalten möchten.
Voraussetzungen
- Sie verfügen über solide Basiskenntnisse in Excel.
- Auf Ihrem Computer ist Excel in einer aktuellen Version installiert.
- Empfohlen aber nicht verpflichtend sind Administratorenrechte auf Ihrem Computer.
- Sie benötigen einen PC oder Mac (nicht Linux) mit funktionierendem WLAN.
- Kurssprache ist Deutsch. Die von unserem Dozenten verwendete Software und alle Dokumente, Webquellen etc. sind englischsprachig.
Ziele
Ihr erworbenes Verständnis der vermittelten ML-Konzepte kann Ihnen helfen,
- Ihre Forschungsfragen effektiver zu bearbeiten,
- neue Forschungsansätze zu verfolgen,
- die Effizienz und Effektivität Ihrer Forschungsarbeiten zu erhöhen und
- ein fachlich fundiertes Gespräch mit Ihrer Machine-Learning programmierenden Fachperson zu führen.
Darüber hinaus lernen Sie,
- den gesamten Workflow einer ML-Analyse in KNIME zu verstehen (von der Datenbereinigung bis zur Modellbewertung),
- verschiedene ML-Methoden (Neurale Netze, Entscheidungsbäume, Lasso/Ridge Regression und Clustering) sinnvoll einzusetzen und
- echte medizinische Datensätze – exemplarisch Myokardinfarkt-Komplikationsdaten – zu analysieren.
Inhalte
- Historischer Überblick, Neuronale Netze
- Überblick über ML und KI: Entwicklung, Status Quo und zentrale Begriffe
- Grundlagen kleiner künstlicher neuronaler Netze: Forward- und Backward-Propagation, Neuronen, Input-, Hidden-, Output-Layer, Gewichte, Aktivierungsfunktion, Bias
- Praxis: Aufbau eines minimalen neuronalen Netzes im Plenum (Whiteboard und Excel) zur Vorhersage möglicher Komplikationen
- Supervised Learning, Big Data & Entscheidungsbäume
- Maschinelles Lernen und Big Data
- Big Data Konzept: Die 3 Vs (Volume, Variety, Velocity) und ihre Relevanz im medizinischen Kontext
- KNIME-Einstieg: Datenimport, Datenbereinigung und fehlende Werte (Imputation)
- Entscheidungsbäume zur Klassifikation: Baumaufbau, Interpretation im medizinischen Bereich (z. B. Risikofaktoren)
- Optional: Erweiterte Modelle (Random Forest, Boosted Trees) und Grundlagen der Ensemble-Methoden
- Unüberwachtes Lernen, Penalized Regression & Clustering
- Penalisierte Regression (Lasso und Ridge): Umgang mit Overfitting, Vergleich zu klassischer Regression
- K-Means Clustering: Unüberwachtes Lernen zur Gruppierung von Patientendaten
- Komplettes „End-to-End“-Beispiel in KNIME: Daten ingestion, Feature-Selektion, Modellierung, Interpretation und Ableitung von Handlungsoptionen
Methoden
Kurze inhaltliche Impulse werden von umfangreichen Übungssequenzen im Plenum und in Kleingruppen begleitet. So werden alle wichtigen Schritte von der Datenerfassung über die Modellbildung bis zur Ergebnisinterpretation direkt angewendet und vertieft. Dabei arbeiten Sie hands-on mit Excel, Whiteboards und KNIME.
