Fundamentals of Machine Learning & Generative AI
Niveau
2. Studienzyklus, Master
Lernergebnisse der Lehrveranstaltungen/des Moduls
Die Teilnehmer:innen:
• können Machine Learning und Generative KI grundlegend beschreiben
• können Werkzeuge (z.B. Bibliotheken, Cloud Plattformen oder Softwarewerkzeuge), mit deren Hilfe Machine Learning unterstützt werden kann, benennen
• können einfache Machine Learning Projekte konzipieren
• können einfache Machine Learning Projekte selbständig durchführen
• können gängige GenAI Tools benennen
• können Machine Learning und Generative KI grundlegend beschreiben
• können Werkzeuge (z.B. Bibliotheken, Cloud Plattformen oder Softwarewerkzeuge), mit deren Hilfe Machine Learning unterstützt werden kann, benennen
• können einfache Machine Learning Projekte konzipieren
• können einfache Machine Learning Projekte selbständig durchführen
• können gängige GenAI Tools benennen
Voraussetzungen der Lehrveranstaltung
nicht zutreffend
Lehrinhalte
Machine Learning Fundamentals
- Einführung in ML, Lernparadigmen, ML-Pipeline
- Klassische ML-Verfahren (Regression, Trees, Ensemble Methods, Clustering)
- Grundlagen neuronaler Netze & Deep Learning
- Modellgüte, Evaluierung, Bias–Variance, Cross-Validation
Generative AI
- Überblick generativer Modelle: LLMs, GANs, Diffusionsmodelle, VAEs
- Transformer-Architektur & Attention-Mechanismen
- Pretraining, Fine-Tuning, Instruction Tuning
- Prompting-Grundlagen & Controllability
- Einführung in RAG (Retrieval-Augmented Generation)
- Bild- und Multimodale Generative Modelle
- Einführung in ML, Lernparadigmen, ML-Pipeline
- Klassische ML-Verfahren (Regression, Trees, Ensemble Methods, Clustering)
- Grundlagen neuronaler Netze & Deep Learning
- Modellgüte, Evaluierung, Bias–Variance, Cross-Validation
Generative AI
- Überblick generativer Modelle: LLMs, GANs, Diffusionsmodelle, VAEs
- Transformer-Architektur & Attention-Mechanismen
- Pretraining, Fine-Tuning, Instruction Tuning
- Prompting-Grundlagen & Controllability
- Einführung in RAG (Retrieval-Augmented Generation)
- Bild- und Multimodale Generative Modelle
Empfohlene Fachliteratur
- Géron, A. (2022): Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow
- Tunstall, L., von Werra, L., Wolf, T. (2022): Natural Language Processing with Transformers
- Raschka, S. (2024): Build a Large Language Model
- James, G. (2023): An Introduction to Statistical Learning
- Tunstall, L., von Werra, L., Wolf, T. (2022): Natural Language Processing with Transformers
- Raschka, S. (2024): Build a Large Language Model
- James, G. (2023): An Introduction to Statistical Learning
Bewertungsmethoden und -Kriterien
Portfolioprüfung
Unterrichtssprache
Englisch
Anzahl der zugewiesenen ECTS-Credits
6
Semesterwochenstunden (SWS)
Geplante Lehr- und Lernmethode
Vortrag, Gruppenarbeit,Präsentation und Diskussion von Aufgaben
Semester/Trisemester, In dem die Lehrveranstaltung/Das Modul Angeboten wird
1