Module (6 Credits)

Grundlagen des Maschinellen Lernens

Name in diploma supplement

Machine Learning Foundations

Responsible

• Prof. Dr. Volker Gruhn

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

• AI-SEVertiefungsstudiumWahlpflichtbereich I: Informatik5th-6th Sem, Elective
• LA Info GyGeWahlpflichtbereich Informatik 1st-3rd Sem, Elective
• SEPflichtbereichPflichtbereich II: Programmierung und Entwicklung5th-6th Sem, Compulsory
• WiInfVertiefungsstudiumWahlpflichtbereichVertiefungsrichtung "Modellierung und Realisierung betrieblicher Informationssysteme"5th-6th Sem, Elective
• WiInfVertiefungsstudiumWahlpflichtbereich: Wirtschaftsinformatik und Informatik5th-6th Sem, Elective

Elements

Lecture with integrated exercise (6 Credits)

Grundlagen des Maschinellen Lernens

Name in diploma supplement

Machine Learning Foundations

Organisational Unit

• Lehrstuhl für Software-Engineering, insb. mobile Anwendungen

Lecturers

• Prof. Dr. Volker Gruhn

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

• AI-SEVertiefungsstudiumWahlpflichtbereich I: Informatik5th-6th Sem, ElectiveModul "Grundlagen des Maschinellen Lernens"
• LA Info GyGeWahlpflichtbereich Informatik 1st-3rd Sem, ElectiveModul "Grundlagen des Maschinellen Lernens"
• SEPflichtbereichPflichtbereich II: Programmierung und Entwicklung5th-6th Sem, CompulsoryModul "Grundlagen des Maschinellen Lernens"
• WiInfVertiefungsstudiumWahlpflichtbereichVertiefungsrichtung "Modellierung und Realisierung betrieblicher Informationssysteme"5th-6th Sem, ElectiveModul "Grundlagen des Maschinellen Lernens"
• WiInfVertiefungsstudiumWahlpflichtbereich: Wirtschaftsinformatik und Informatik5th-6th Sem, ElectiveModul "Grundlagen des Maschinellen Lernens"