Das rasante Wachstum der Forschung und Anwendungen im Bereich der Künstlichen Intelligenz (KI) bietet beispiellose Möglichkeiten. Dieser Kurs richtet sich an Studierende, die eine hervorragende Grundausbildung erhalten möchten, die ein breites Spektrum an Konzepten und Anwendungen von datengestützter KI und Lernen aus Beispielen abdeckt.
Das Programm bietet Einführungskurse in statistisches Lernen, tiefes Lernen und verstärkendes Lernen, Optimierung, Signalverarbeitung, Informationstheorie und Spieltheorie. Zahlreiche Optionen ermöglichen es, sich in der Lerntheorie zu perfektionieren und sich in vielen Bereichen wie Big Data, Bild- und Sprachverarbeitung zu spezialisieren.
Dieses zweite Jahr bietet eine erweiterte Auswahl an Optionen, die ethische Aspekte und andere Themen wie die Gründung eines Unternehmens abdecken.
Dieser Kurs erfordert einen soliden Hintergrund in Mathematik und Informatik:
- Wahrscheinlichkeit und Statistik
- Lineare Algebra
- Differential- und Integralrechnung
- Wissenschaftliches Programmieren
- Datenvisualisierung
Bewerber sollten auch das M1 der Künstlichen Intelligenz (oder ein Äquivalent) erfolgreich abgeschlossen haben: - Die Grundlagen der angewandten Statistik und Optimierung kennen
- Wissen, wie man mit Big Data umgeht
- Wissen, wie man Techniken des überwachten, unüberwachten und verstärkenden Lernens differenziert und anwendet
- Wissen, wie man prädiktive Modelle mit Python programmiert und sci-kit-learn beherrscht
- Wissen, wie man Daten visualisiert und Ergebnisse mit Programmierwerkzeugen veranschaulicht
- Wissen, wie man einen Projektvorschlag schreibt und Ergebnisse schriftlich und mündlich kommuniziert.
Fähigkeiten:
Mathematisch Gradientabstiegsalgorithmen für tiefe neuronale Netze, grafische Modelle oder andere statistische Lernmodelle formulieren.
Tiefe Lernmodelle und grafische Modelle mit Python programmieren und Kenntnisse in Keras, TensorFlow und Pytorch erwerben.
Die Grundlagen des statistischen Lernens auf theoretischer Ebene verstehen, mit Fokus auf Überlernen und Regularisierung.
Daten verschiedener Typen (Bild, Text, Sprache) aus dem Rohsignal analysieren.
Wissenschaftliche Artikel lesen, zusammenfassen, kommentieren und reproduzieren.
Karriereaussichten:
Dieser Kurs bereitet auf Forschungs- und F&E-Berufe in neuen, sich rasant entwickelnden Anwendungsfeldern vor: Computer Vision (autonome Fahrzeuge und Biometrie); Spracherkennung (notwendig für neue Mensch-Maschine-Schnittstellen für Smartphones); Filterung und Aggregation von heterogenen und textuellen Inhalten (essenziell für kommerzielle Lösungen zur Verwaltung signifikanter Datenströme); Management und Überwachung komplexer oder kritischer industrieller Systeme, die auf Datenanalyse angewiesen sind.