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
- Bestandteile
Vorlesung mit integrierter Übung (6 Credits)
Grundlagen des Maschinellen Lernens
- 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