• Prof. Dr. Christoph Gallus
• Jens Klose

• verschiedene Lehrende

Mathematisch-statistische Kenntnisse im Umfang von 18 CrP. sowie Kenntnisse in Datenbanken, Programmierung und Business Intelligence werden empfohlen.

Künstliche Intelligenz, maschinelles Lernen, lernende Systeme, Analyse und Wissensentdeckung für große Datenbanken

Überblick über das Feld: Optimierung, multivariate Statistik, künstliche Intelligenz und maschinelles Lernen, Big Data, Data Mining, Predictive Analytics, Prognostics, Prescriptive Analytics
Behandlung formaler Lernprobleme (Klassifikation und Regression) anhand ausgewählter Methoden mit Beispielen. Dabei werden grundsätzliche Ansätze aus den Bereichen Supervised Learning, Unsupervised Learning und Reinforcement
Learning vorgestellt. Diese werden jeweils sowohl auf mathematisch-formaler Ebene, sowie auf Ebene einer zeilenorientierten Programmiersprache (beispielsweise Python) erläutert und eingeübt.
Unter Berücksichtigung des Kenntnisstandes der Studierenden werden ausgewählte Verfahren aus den folgenden Bereichen besprochen: Einfache neuronale Netze, Deep Learning, Stochastic Gradient Descent, Bayessche Netzwerke, Markoff Chain Monte Carlo, k-means-Clustering, k-Nearest Neigbours, Expectation-Maximization, Support-Vektor-Maschinen, Baumverfahren, C4.5

Die Studierenden können die Entwicklung des Gebietes der künstlichen Intelligenz und den aktuellen Stand überblicksartig erläutern. Sie können typische Problemstellungen und Verfahren im Bereich des maschinellen Lernens und der automatisierten Analyse großer Datenmengen benennen. Sie können dabei Querverbindungen zu den Bereichen der mathematischen Optimierung und Statistik herstellen.
Die Studierenden können ausgewählte Ansätze aus den Bereichen Supervised Learning, Unsupervised Learning und Reinforcement Learning unter Verwendung mathematisch formaler Begriffe erklären und differenzieren. Sie können ausgewählte Methoden und Begriffe an einfachen Beispielen erläutern. Sie können Zusammenhänge zwischen der mathematisch-formalen Beschreibung eines Algorithmus und seiner Implementierung in einer zeilenorientierten Programmiersprache ableiten.
Sie können einfache Verfahren und Methoden auf konkrete Lehrbuchprobleme im Bereich der maschinellen Lernverfahren und der automatisierten Datenanalyse anwenden. Sie können entsprechende Berechnungen am Computer beispielhaft selbst durchführen. Sie können einfache Problemstellungen analysieren, die Einsatzmöglichkeiten und ggf. Modifikationsmöglichkeiten für bestehende Softwarepakete einschätzen und die Ergebnisse kritisch beurteilen. Sie können die Auswirkungen hochdimensionaler Problemstellungen auf die Realisierbarkeit von Projekten einschätzen.

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

• 4 SWS

• Seminar

• Digital Business (M.Sc. 2020) - 2. Semester

Ja

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.

Bestehen der Prüfungsleistung (unter Berücksichtigung etwaiger Bonuspunkte)

• Geroen, A., Hands-On Machine Learning with Scikit-Learn & TensorFlow: Concepts, Tools, and Techniques for Building Intelligent Systems, O‘Reilly, Sebastopol, 2017
• Goodfellow, I., Bengio, Y., Courville, A., Deep Learning, 2016
• Marsland, S., Machine Learning, 2nd edition, CRC Press, Taylor & Francis Group, 2015
• Murphy, K. P., Machine Learning: A Probabilistic Perspective, MIT Press, 2012
• Sutton, R. S., Barto, A.G., Reinforcement Learning, An Introduction, 2nd ed., MIT Press, 2018
• Steyer, R., Programmierung in Python, Springer Vieweg, 2018
• Trevor, H., Tibshirani, R. und Friedman, J., The Elements of Statistical Learning – Data Mining, Inference and Prediction, 2nd Edition, Springer, 2009.