Informationen zu den Modulen

zurück

Modul (6 Credits)

Grundlagen des Maschinellen Lernens

Name im Diploma Supplement
Machine Learning Foundations
Verantwortlich
Voraus­setzungen
Siehe Prüfungsordnung.
Workload
180 Stunden studentischer Workload gesamt, davon:
  • Präsenzzeit: 60 Stunden
  • Vorbereitung, Nachbereitung: 75 Stunden
  • Prüfungsvorbereitung: 45 Stunden
Dauer
Das Modul erstreckt sich über 1 Semester.
Qualifikations­ziele

Die Studierenden

  • besitzen Kenntnis über die Besonderheiten von Anwendungen, die maschinelles Lernen einsetzen
  • verstehen Algorithmen des maschinellen Lernen und beherrschen ihre Implementierung
  • kennen und beherrschen die notwendigen Techniken zum Aufbau der notwendigen Pipeline (Vorverarbeitung, Modell-Training und -Evaluierung)
  • Beherrschen Methoden des überwachten und unüberwachten Lernens
  • Verstehen zentrale Konzepte wie Dimensionsreduktion, Clustering, Klassifikation und Regression
Prüfungs­modalitäten

Zum Modul erfolgt eine modulbezogene Prüfung in der Gestalt einer Klausur (in der Regel: 90-120 Minuten).

Verwendung in Studiengängen
  • AI-SEVertiefungsstudiumWahlpflichtbereich I: Informatik5.-6. FS, Wahlpflicht
  • LA Info GyGeWahlpflichtbereich Informatik 1.-3. FS, Wahlpflicht
  • SEPflichtbereichPflichtbereich II: Programmierung und Entwicklung5.-6. FS, Pflicht
  • WiInfVertiefungsstudiumWahlpflichtbereichVertiefungsrichtung "Modellierung und Realisierung betrieblicher Informationssysteme"5.-6. FS, Wahlpflicht
  • WiInfVertiefungsstudiumWahlpflichtbereich: Wirtschaftsinformatik und Informatik5.-6. FS, Wahlpflicht
Bestandteile
Name im Diploma Supplement
Machine Learning Foundations
Anbieter
Lehrperson
SWS
4
Sprache
deutsch
Turnus
Wintersemester
maximale Hörerschaft
unbeschränkt
empfohlenes Vorwissen

Grundlagen der Programmierung, Stochastik, Lineare Algebra, Analysis

Für dieses Modul werden Kenntnisse der Programmierung vorausgesetzt.

Lehrinhalte

Die Vorlesung vermittelt einen allgemeinen Überblick über die wichtigsten Techniken des Maschinellen Lernens (ML). Es werden verschiedene Verfahren und die zugehörigen Algorithmen betrachtet. Der Fokus liegt auf Techniken des überwachten und unüberwachten Lernens. Darüber hinaus wird betrachtet, wie Daten zur Verwendung in ML-Komponenten analysiert und vorverarbeitet werden müssen.

Die folgenden Themen werden in der Vorlesung unter anderem behandelt:

  • Lineare Regression und Klassifikation
  • Nichtlineare Verfahren
  • Decision Trees und Support Vector Machines
  • Neuronale Netze und Deep Learning
  • Clustering
  • Dimensionsreduktion
Literaturangaben
  • Geron, Aurélien. 2019. Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O’Reilly.
  • Albon, Chris; Langenau, Frank. 2019. Machine Learning Kochbuch: Praktische Lösungen mit Python: von der Vorverarbeitung der Daten bis zum Deep Learning. O’Reilly.
  • Goodfellow, Ian; Yoshua Bengio; Aaron Courville. 2016. Deep Learning. MIT Press.
  • Griffiths, Dawn. 2008. Head First Statistics. O'Reilly Germany.
didaktisches Konzept

Die Veranstaltung entspricht einem Vorlesungsanteil von 2 SWS und einem Übungsanteil von 2 SWS.

Hörerschaft
Vorlesung mit integrierter Übung: Grundlagen des Maschinellen Lernens (WIWI‑C1163)
Modul: Grundlagen des Maschinellen Lernens (WIWI‑M0908)