Machine Learning

Modulnummer
CS2356
Modulverantwortlicher
  • Prof. Dr. Franz Cemic
Dozent
  • Prof. Dr. Franz Cemic
  • M.Sc. Dennis Priefer
Kurzbeschreibung

Das Modul vermittelt die Grundlagen des Machinellen Lernens (Machine Learning). Dazu zählt ein Überblick über die mathematischen Grundlagen sowie eine Einführung in die praktische Umsetzung eigener Projekte mit gängigen Python-basierten Frameworks (z.B. Anaconda).

Qualifikations- und Lernziele

Die Studierenden haben vertieften Einblick in grundlegenden Techniken zum Einsatz von Machinellem Lernen. Sie kennen die wichtigsten Konzepte, mathematischen Hintergründe und gängige Frameworks zur praktischen Umsetzung von Machine Learning-Ansätzen in eigenen Anwendungen. Die Studierenden können eigenständig Lehrinhalte erarbeiten, präsentieren und praktisch vertiefen.

Lerninhalte
    Was ist Machine Learning:
  • Optimization/Preprocessing
  • Sampling und Splitting
  • Unsupervised learning
  • Supervised learning
  • Reinforcement Learning
    Mathematische Grundlagen zum Maschinellen Lernen:
  • Statistik
  • Lineare Algebra
  • Infinitesimalrechnung
  • Konvexe Optimierung
  • Lineare und Logistische Regression
    Clustering:
  • Hierarchisches Clustern
  • K- Means
  • Mischungen von Gaussfunktionen
  • Selbstorganisierende Karten (SOM)
    Dimensionsreduktion:
  • Lineare Diskriminanten Analyse (LDA)
  • Hauptkomponentenanalyse (PCA)
    Neuronale Netze:
  • Neuronen und das Gehirn
  • Mathematische Grundlagen
  • Implementierung
    Support-Vektor Maschinen (SVM):
  • Mathematische Grundlagen
  • Implementierung
  • Entscheidungsbäume
    Lernen im Ensemble:
  • Boosting
  • Random Forests
    Gauss Prozesse (optional):
  • Regression
  • Klassifikation
    Grafische Modelle (optional)

Umgang mit dem Python-basierten Anaconda-Paket z.B.:

  • Jupyter Notebooks
  • NumPy
  • Pandas
  • TensorFlow
    Scikit-learn
Moduldauer (Semester)
1
Unterrichtssprache
Deutsch
Gesamtaufwand
6.0 CrP; 180 Stunden, davon etwa 60 Stunden Präsenzzeit.
Semesterwochenstunden
4
Voraussetzungen für die Vergabe von Creditpoints

Prüfungsvorleistung: Abgabe von Übungs- oder Projektaufgaben

Prüfungsleistung: Klausur oder mündliche Prüfung (Art und Umfang der Prüfungsvorleistung und der Prüfungsleistung wird den Studierenden zu Beginn der Veranstaltung bekannt gegeben)

Bewertungsstandard

Bewertung der Prüfungsleistung nach § 9 der Prüfungsordnung

Häufigkeit des Angebots
Nach Bedarf
Literatur
  • S. Marsland: Machine Learning An Algorithmic Perspective, 2nd. Ed., CRC-Press
  • K. Murphy: Machine Learning A Probabilistic Perspective, MIT-Press
  • Aurélien Géron(Autor): Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques for Building Intelligent Systems. O'Reilly
  • Aurélien Géron(Autor), Kristian Rother (Übersetzer): Praxiseinstieg MachineLearning mit Scikit-Learnund TensorFlow: Konzepte, Tools und Techniken für intelligente Systeme. O'Reilly
  • Sarah Guido (Autor): Introduction to Machine Learning with Python: A Guide for Data Scientists. O'Reilly
  • Andreas C. Müller (Autor), Sarah Guido (Autor), Kristian Rother (Übersetzer): Einführung in MachineLearning mit Python: Praxiswissen Data Science. O'Reilly
  • Tariq Rashid (Autor): Make Your Own Neural Network. CreateSpace Independent Publishing Platform
  • Tariq Rashid (Autor), Frank Langenau (Übersetzer): Neuronale Netze selbst programmieren: Ein verständlicher Einstieg mit Python. O'Reilly,
  • Chi Nhan Nguyen (Autor), Oliver Zeigermann (Autor): MachineLearning - kurz & gut: Eine Einführung mit Python, Pandas und Scikit-Learn. O'Reilly
Verwendbarkeit des Moduls

Wahlpflichtmodul: Bachelor Informatik, Bachelor Ingenieur-Informatik, Bachelor Bioinformatik und Bachelor Social Media Systems