Statistisches Lernen mit KI: Bias-Variance, Overfitting und Generalisierung

Statistisches Lernen mit KI: Bias-Variance, Overfitting und Generalisierung.

MODUL 01: LERNEN AUS DATEN

• Hypothesenräume und Modellkomplexität
• Trainings- versus Testfehler
• Der Generalisierungsbegriff
• Live-Demo: wenn ein Modell auswendig lernt
• Ihre Ausgangslage: Warum scheitern Ihre Modelle?

MODUL 02: BIAS-VARIANCE-TRADEOFF

• Zerlegung des Fehlers
• Unter- und Überanpassung erkennen
• Übung: Sie machen Bias und Varianz sichtbar
• Der Aha-Moment: das genauste Modell ist nicht das beste
• Die richtige Komplexität finden

MODUL 03: REGULARISIERUNG

• L1/L2, Dropout und Early Stopping
• Kreuzvalidierung richtig einsetzen
• Datenmenge versus Modellgröße
• Übung: Sie regularisieren ein überangepasstes Modell
• Robust statt nur genau

MODUL 04: MODERNE PERSPEKTIVEN

• Double Descent und große Modelle
• Warum tiefe Netze trotzdem generalisieren
• Übung: Sie diagnostizieren die Generalisierung
• Aktuelle Forschung eingeordnet
• Der Aha-Moment: alte Regeln, neue Ausnahmen

MODUL 05: ANWENDUNG

• Fallstudie: ein Modell vor Überanpassung retten
• Diagnose-Checkliste für die Praxis
• Was Sie künftig anders machen
• Vom Verständnis zur besseren Modellwahl
• Ihr Fahrplan zu robusten Modellen