Machine Learning & Deep Learning (E)
Niveau
Masterstudium
Lernergebnisse der Lehrveranstaltungen/des Moduls
Die Teilnehmer:innen:
• können Werkzeuge (z.B. Bibliotheken, Cloud Plattformen oder Softwarewerkzeuge), mit deren Hilfe Machine Learning unterstützt werden kann, benennen
• können die erarbeiteten Werkzeuge hinsichtlich ihrer Eignung für konkrete Problemstellungen vergleichen
• können Ende-zu-Ende Machine Learning Projekte konzipieren
• können Ende-zu-Ende Machine Learning Projekte selbständig durchführen
• können Werkzeuge (z.B. Bibliotheken, Cloud Plattformen oder Softwarewerkzeuge), mit deren Hilfe Machine Learning unterstützt werden kann, benennen
• können die erarbeiteten Werkzeuge hinsichtlich ihrer Eignung für konkrete Problemstellungen vergleichen
• können Ende-zu-Ende Machine Learning Projekte konzipieren
• können Ende-zu-Ende Machine Learning Projekte selbständig durchführen
Voraussetzungen der Lehrveranstaltung
1. Semester: Die Studierenden verfügen über Vorwissen im Bereich Mathematik/Statistik im Umfang von 8 ECTS und kennen daher einfache statistische Maßzahlen, sowie grundlegende statistische Testverfahren (z.B. t-Test). / 2. Semester: Keine Voraussetzungen / 2. Semester: Modulprüfung MLAL.A1 (Algorithmik 1)
Lehrinhalte
Folgende Inhalte werden in der Lehrveranstaltung besprochen:
- Klassische neuronale Netze als Ergänzung zu klassischen Algorithmen der Data Science (z.B. Random Forests, SCM, usw.)
- Gefaltete, künstliche neuronale Netze (CNN)
- Rekursive, künstliche neuronale Netze (RNN, LSTM)
- Weiterführende, künstliche neuronale Netze (GAN, FARM, BERT, CGAN usw.)
Die besprochenen Netztypen unterliegen einem ständigen Wandel. Darum werden hier nur einige Netztypen exemplarisch genannt. In der LV werden insbesondere aber auch aktuelle Netztypen besprochen und angewendet.
- Klassische neuronale Netze als Ergänzung zu klassischen Algorithmen der Data Science (z.B. Random Forests, SCM, usw.)
- Gefaltete, künstliche neuronale Netze (CNN)
- Rekursive, künstliche neuronale Netze (RNN, LSTM)
- Weiterführende, künstliche neuronale Netze (GAN, FARM, BERT, CGAN usw.)
Die besprochenen Netztypen unterliegen einem ständigen Wandel. Darum werden hier nur einige Netztypen exemplarisch genannt. In der LV werden insbesondere aber auch aktuelle Netztypen besprochen und angewendet.
Empfohlene Fachliteratur
- James, G.; Witten, D; Hastie, T.; Tibshirani, R. (2023). An Introduction to Statistical Learning: with Applications with Python (ISBN: 978-3031387463)
- Bruce. P.; Bruce, A.; Gedeck, P. (2020): Practical Statistics for Data Scientists: 50+ Essential Concepts Using R and Python (ISBN: 978-1492072942)
- Geron, A. (2022): Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, (ISBN: 978-1098125974)
- Bruce. P.; Bruce, A.; Gedeck, P. (2020): Practical Statistics for Data Scientists: 50+ Essential Concepts Using R and Python (ISBN: 978-1492072942)
- Geron, A. (2022): Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, (ISBN: 978-1098125974)
Bewertungsmethoden und -Kriterien
Portfolio
Unterrichtssprache
Englisch
Anzahl der zugewiesenen ECTS-Credits
10
Semesterwochenstunden (SWS)
Geplante Lehr- und Lernmethode
Folgende Methoden kommen zum Einsatz:
- Bearbeitung von Übungsaufgaben
- Interaktiver Workshop
- Bearbeitung von Übungsaufgaben
- Interaktiver Workshop
Semester/Trisemester, In dem die Lehrveranstaltung/Das Modul Angeboten wird
2