• Prof. Dr. Franz Cemic

• Prof. Dr. Franz Cemic
• Prof. Dr. Dennis Priefer

Keine

MN1009 Lineare Algebra

MNI1017 Statistik und Datenanalyse

Das Modul vermittelt die Grundlagen des Machinellen Lernens. Dazu zählt ein Überblick über die mathematischen und algorithmischen Grundlagen des Fachs sowie deren Umsetzung in Python unter Verwendung gängiger Frameworks, wie Numpy, Scipy, Scikit-Learn, Keras oder Tensorflow.

• Arten Maschinellen Lernens
• Datenvorbereitung
• Naive Bayes
• k-Nearest Neighbors
• Lineare Regression
• Entscheidungsbäume
• Lernen im Ensemble
• Support-Vektor-Maschinen
• Neuronale Netze
• Validierung trainierter Modelle

Fachkompetenzen

• Die Studierenden sind in der Lage, die in der Vorlesung vorgestellten Algorithmen im Pseudocode wiederzugeben, sowie in Python umsetzten.
• Sie können die mathematischen Konzepte hinter den Definitionen von Informationsgewinn, Entropie und Gini-Index in ihren eigenen Worten wiedergeben.
• Sie können die beim Lernen in Ensembles verwendeten Methoden Bagging und Boosting erklären und deren Funktionalität begründen.
• Sie sind in der Lage die Voraussetzungen zu benennen, die für die sinnvolle Anwendung der vorgestellten Algorithmen notwendig erfüllt sein müssen.
• Sie können im Zusammenhang mit Support-Vektor-Maschinen die Bedeutung der Konzepte von Optimal-Margin-Classifiern und Soft-Margin-Classifiern erklären und können die mathematischen Methoden hinter Lagrange-Multiplikatoren, Kernels, sowie Primalem und Dualem Optimierungsproblem erläutern.

Methodenkompetenzen (fachlich & überfachlich)

• Die Studierenden können die vorgestellten Algorithmen bezüglich einer gegebenen Problemstellung vergleichend bewerten und begründete Vorhersagen zu deren Performanz abgeben.
• Sie sind in der Lage trainierte Modelle zu validieren und können die Resultate solcher Validierungen interpretierend bewerten.

Sozialkompetenzen

• Die Studierenden können Aufgaben in Gruppen-/ Teamarbeit gemeinsam konstruktiv lösen und sich dabei gegenseitig unterstützen.
• Sie sind in der Lage ihre Lösungen von Aufgaben argumentativ zu verteidigen und in der Seminaröffentlichkeit vorzutragen.

Selbstkompetenzen

• Die Studierenden können eigenständig Lehrinhalte erarbeiten, präsentieren und praktisch vertiefen.
• Sie können Lösungen konzentriert, genau und zielgerichtet erarbeiten
• Die Studierenden können eigenständig, selbstmotiviert und kritisch denkend Lösungsansätze aus dem Bereich Maschinelles Lernen auf einfache bis mittelschwere Problemstellungen anwenden.

• 6 CrP
• Arbeitsaufwand 180 Std.
• Präsenzzeit 60 Std.
• Selbststudium 120 Std.

• 4 SWS
• Seminaristischer Unterricht 4 SWS

• Bioinformatik (B.Sc. 2012)
• Informatik (B.Sc. 2010)
• Ingenieur-Informatik (B.Sc. 2010)
• Social Media Systems (B.Sc. 2016)

Nein

Bonuspunkte werden gemäß § 9 (4) der Allgemeinen Bestimmungen vergeben. Art und Weise der Zusatzleistungen wird den Studierenden zu Veranstaltungsbeginn rechtzeitig und in geeigneter Art und Weise mitgeteilt.

Prüfungsvorleistung: Übungsaufgaben und Präsentation (Anzahl und Umfang der Übungsaufgaben wird den Studierenden rechtzeitig und in geeigneter Weise bekannt gegeben.)

Prüfungsleistung: Klausur oder mündliche Prüfung (Art und Umfang des Leistungsnachweises wird den Studierenden rechtzeitig und in geeigneter Weise bekannt gegeben.)

• Frochte, J.: Maschinelles Lernen. Grundlagen und Algorithmen in Python. Hanser Verlag.
• Marsland, S.: Machine Learning. An Algorithmic Perspective. CRC-Press.
• Murphy, K.: Machine Learning. A Probabilistic Perspective. MIT-Press.
• Géron, A.: Hands-On Machine Learning with Scikit-Learn and TensorFlow. Concepts, Tools, and Techniques for Building Intelligent Systems. O'Reilly.