Veranstaltungen
Vorlesung mit praktischer Übung
Engineering ML-based Systems
- Name im Diploma Supplement
- Engineering ML-based Systems
- Anbieter
- Lehrstuhl für Software-Engineering, insb. mobile Anwendungen
- Lehrperson
- Prof. Dr. Volker Gruhn, Dr. Marc Hesenius
- SWS
- 4
- Sprache
- deutsch
- Turnus
- Wintersemester
- maximale Hörerschaft
- unbeschränkt
- Hörerschaft
empfohlenes Vorwissen
Grundlagen der Programmierung, Grundlagen des Maschinellen Lernens, Stochastik, Lineare Algebra, Analysis
Für dieses Modul werden Kenntnisse der Programmierung sowie der Grundlagen des Maschinellen Lernens, insbesondere grundlegender Algorithmen des überwachten und unüberwachten Lernens, vorausgesetzt.
Abstract
Die Vorlesung vermittelt einen Überblick über die Entwicklung von Software, die Komponenten des maschinellen Lernens einsetzt, und festigt das vermittelte Wissen durch die Einbettung praktischer Übungen, Diskussion von Anwendungsszenarien sowie durch begleitende Projekte. Im Fokus stehen dabei insbesondere die Arbeiten, die von einem Entwicklungs-Team zum erfolgreichen Launch einer Anwendung oder Komponente, die Verfahren des maschinellen Lernens einsetzt, durchgeführt werden müssen. Die Studierenden lernen, wie klassisches Software Engineering mit den für maschinelles Lernen notwendigen Arbeiten verknüpft wird. Im ersten Teil der Vorlesung werden Anwendungen betrachtet, die überwachtes Lernen einsetzen, und im zweiten Teil Anwendungen, die verstärkendes Lernen verwenden.
Lehrinhalte
Die folgenden Themen werden in der Vorlesung unter anderem behandelt:
- Debugging von ML-Anwendungen
- Data Cleaning, Preprocessing und Augmentation
- Evaluation von ML-Modellen
- Architektur und Auswahl von ML-Modellen
- Prozessmodelle zur Entwicklung von ML-Anwendungen
- Grundlagen des verstärkenden Lernens
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.
- Bach, Francis; Sutton, Richard S.; Barto, AndrewG. 2018. Reinforcement Learning: An Introduction (Adaptive Computation and Machine Learning). MIT Press.
didaktisches Konzept
In der Veranstaltung werden Vorlesung, praktische Übungen und Methoden zur gemeinsamen Erarbeitung kombiniert. Eine Trennung von Vorlesung und Übung ist nicht vorgesehen. Die Veranstaltung entspricht einem Vorlesungsanteil von 2 SWS und einem Übungsanteil von 2 SWS.