Die Mathematik hinter Machine Learning (ML): Lineare Algebra, Statistik und Optimierung verständlich erklärt

Die Mathematik hinter Machine Learning (ML): Lineare Algebra, Statistik mit KI.

MODUL 01: WARUM MATHE DER SCHLÜSSEL IST

• Was ohne die Mathematik hinter ML verborgen bleibt
• Die drei Säulen: Lineare Algebra, Statistik, Optimierung
• Wie diese Säulen in jedem Modell zusammenwirken
• Live-Demo: dieselbe Idee einmal als Formel, einmal als Modell
• Ihre Ausgangslage: Wo hakt Ihr Verständnis heute?

MODUL 02: LINEARE ALGEBRA FÜR ML

• Vektoren, Matrizen und Transformationen anschaulich
• Skalarprodukt, Norm und Projektionen
• Warum ML fast alles auf Matrizen zurückführt
• Übung: Sie rechnen eine Transformation von Hand nach
• Der Aha-Moment: Daten als Punkte im Raum

MODUL 03: WAHRSCHEINLICHKEIT UND STATISTIK

• Verteilungen, Erwartungswert und Varianz
• Bayes-Theorem intuitiv
• Schätzung und Unsicherheit
• Übung: Sie schätzen einen Parameter aus Daten
• Unsicherheit ehrlich beziffern

MODUL 04: OPTIMIERUNG

• Ableitungen und Gradienten verständlich
• Gradientenabstieg Schritt für Schritt
• Übung: Sie führen eine Optimierung von Hand durch
• Der Aha-Moment: das Modell lernt, indem es bergab läuft
• Overfitting und Regularisierung mathematisch verstehen

MODUL 05: ZUSAMMENSPIEL IM ML

• Vom mathematischen Baustein zum fertigen Modell
• Bias-Variance mathematisch greifen
• Fallstudie: ein einfaches Modell komplett durchrechnen
• Die Brücke von der Theorie zur Praxis
• Ihr Fahrplan zum tieferen ML-Verständnis