Gesamtliste
Überblick über die Lehrinhalte und Qualifikationsziele der Module und Veranstaltungen
Diese Seite zeigt alle Module, die sich aktuell im System befinden. Für jedes Modul werden Lehrinhalte und Lernziele ausgegeben. Bitte suchen Sie mit der Suchfunktion ihres Browsers (Strg + F) nach den Namen des Moduls bzw. der Veranstaltung im Modul zu der Sie Informationen benötigen und klicken Sie dann auf den Link zum Modul. Die darauffolgende Seite enthält alle Informationen zu den Inhalten einer Veranstaltungen die Sie für eine Anerkennung benötigen sollten. Sollte die Institution weitere Informationen benötigen, nutzen Sie bitte zusätzlichen die Seiten der einzelnen Lehrstühle und dort den Bereich „Studium“.
Module (6 Credits)
Grundlagen des Maschinellen Lernens
- Name in diploma supplement
- Machine Learning Foundations
- Responsible
- Admission criteria
- See exam regulations.
- Workload
- 180 hours of student workload, in detail:
- Attendance: 60 hours
- Preparation, follow up: 75 hours
- Exam preparation: 45 hours
- Duration
- The module takes 1 semester(s).
- Qualification Targets
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
- Module Exam
Zum Modul erfolgt eine modulbezogene Prüfung in der Gestalt einer Klausur (in der Regel: 90-120 Minuten).
- Usage in different degree programs
- Elements
Lecture with integrated exercise (6 Credits)
Grundlagen des Maschinellen Lernens
- Name in diploma supplement
- Machine Learning Foundations
- Organisational Unit
- Lecturers
- SPW
- 4
- Language
- German
- Cycle
- winter semester
- Participants at most
- no limit
- Preliminary knowledge
Grundlagen der Programmierung, Stochastik, Lineare Algebra, Analysis
Für dieses Modul werden Kenntnisse der Programmierung vorausgesetzt.
- Contents
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
- Literature
- 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.
- Teaching concept
Die Veranstaltung entspricht einem Vorlesungsanteil von 2 SWS und einem Übungsanteil von 2 SWS.
- Participants
Aus Gründen der Performance und Übersichtlichkeit wird an dieser Stelle auf die Titel und vollständigen Namen der Dozenten verzichtet und es werden nur die Nachnamen ausgegeben. Die unterschiedlichen Titel der zugehörigen Dozenten sind den Bereitstellern und Nutzern dieser Listen bekannt und bewusst.