• Prof. Dr. Franz Cemic

• Prof. Dr. Franz Cemic
• Prof. Dr. Andreas Peter Dominik
• Prof. Dr. Cornelia Sigges

Für Bachelor Applied Data Science:

DS1006 Data Science Projekt

Für Bachelor Informatik:

Keine

INF2528 Machine Learning oder gleichwertige Kenntnisse

Der Kurs bietet eine Einführung in verschiedene Cluster-Algorithmen. Des Weiteren werden Verfahren zur Dimensionsreduktion, sowie zum Lernen auf Mannigfaltigkeiten vorgestellt und eine Einführung in Generalisierte Lineare Modelle gegeben

• Methoden zur Dimensionsreduktion:
  • Hauptkomponentenanalyse (PCA)
  • Kernel-Hauptkomponentenanalyse (Kernel-PCA)
  • Lineare Diskriminanten Analyse (LDA)
• Verfahren zum Lernen auf Mannigfaltigkeiten:
  • MDS
  • t-SNE
  • UMAP
  • MDS
• Cluster-Verfahren:
  • k-means clustering
  • Hierarchisches Clustern
  • DBScan
  • Gaußsche Mischungsmodelle
  • Generalisierte Lineare Modelle

Fachkompetenzen

• Die Studierenden können die im Kurs besprochenen Verfahren und Methoden beschreiben sowie ihre Funktionsweise und Implementation erklären. Die Studierenden sind dadurch in der Lage, ein tiefgreifendes Verständnis solcher Algorithmen zu demonstrieren.
• Sie können die Möglichkeiten und Grenzen der vorgestellten Methoden und Verfahren in unterschiedlichen Anwendungsdomänen benennen.
• Sie können für verschiedene Anwendungsfälle das geeignetste Verfahren auswählen.

Methodenkompetenzen (fachlich & überfachlich)

• Die Studierenden können mit Hilfe geeigneter Frameworks zum Maschinellen Lernen die erlernten Methoden und Verfahren anwenden.
• Sie können die Ergebnisse interpretieren und aufgetretene Schwierigkeiten erkennen.
• Sie können Ergebnisse und ihre Relevanz für eine Anwendung beurteilen.

Sozialkompetenzen

• Die Studierenden können effektiv in Teams arbeiten, um gemeinsame Ziele zu erreichen und Projekte erfolgreich abzuschließen.
• Sie können konstruktives Feedback zur Verbesserung der eigenen Arbeit geben und annehmen.

Selbstkompetenzen

• Die Studierenden können eigenständig ihre Lern- und Arbeitsprozesse organisieren sowie effektiv ihre Zeit managen.
• Sie können sich selbstständig in neue Themengebiete einarbeiten und realistisch die Notwendigkeit sich kontinuierlich neues Wissen anzueignen einschätzen.

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

• 4 SWS
• Seminaristischer Unterricht 2 SWS und Praktikum 2 SWS

• Bioinformatik (B.Sc. 2022)
• Informatik (B.Sc. 2022)

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.

Prüfungsvorleistung:

Übungsaufgaben (75% der Aufgaben)

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

Prüfungsleistung:

Mündliche Prüfung oder Projekt

(Art des Leistungsnachweises wird den Studierenden rechtzeitig und in geeigneter Weise bekannt gegeben.)

• Frochte, J: Maschinelles Lernen: Grundlagen und Algorithmen in Python. Hanser Verlag.
• Raschka, S., Liu, Y.: Machine Learning with PyTorch and Scikit-Learn. Develop machine learning and deep learning models with Python. Packt Publishing.
• Agresti, A.: Foundations of Linear and Generalized Linear Models. Wiley.