Angewandte Künstliche Intelligenz (AKI)

Bundesweit einer der ersten Bachelor-Studiengänge auf dem Zukunftsgebiet der Künstlichen Intelligenz
Bewerben Studienberatung
Fakultät EMI

Modulhandbuch

←  Zurück 

Machine Learning 2

Empfohlene Vorkenntnisse

Machine Learning 1, Statistik
Lehrform Vorlesung/Labor
Lernziele / Kompetenzen

Die Studierenden kennen weiterführende Methoden des Machine Learning und haben ein vertieftes Verständnis für die Methoden aus Machine Learning 1. Die Studierenden können unüberwachte Lernverfahren zielführend anwenden. Die Studierenden kennen Optimierungsverfahren und können diese für Machine Learning Problemstellung anwenden. Die Studierenden können Zeitreihendaten mittels Klassifikation, Clustering und Prognoseverfahren verarbeiten. Die Studierenden kennen verschiedene Verfahren zur Anomaliedetektion und können diese anwendungsbezogen auswählen und anwenden.
Dauer 1
SWS 4.0
Aufwand
Lehrveranstaltung 60
Selbststudium / Gruppenarbeit: 90
Workload 150
ECTS 5.0
Voraussetzungen für die Vergabe von LP

Modulprüfung für "Machine Learning 2" (K90) "Praktikum Machine Learning 2" muss "m.E." attestiert sein.
Modulverantwortlicher

Prof. Dr. Daniela Oelke
Max. Teilnehmer 41
Empf. Semester 3
Haeufigkeit jedes Jahr (WS)
Verwendbarkeit

Bachelor-Studiengang AKI
Veranstaltungen

Machine Learning 2

Art Vorlesung
Nr. EMI914
SWS 2.0
Lerninhalt

Die LV umfasst folgende Lerninhalte:

  • Distanzfunktionen
  • Clustering
  • Association Mining
  • Zeitreihenanalyse   
  • Fluch der hohen Dimension
  • Räumliche Indexstrukturen
  • Ausreißer- und Anomaliedetektion
  • Fallstudien

 

 
Literatur
  •  Han, Jiawei; Kamber, Micheline (2012): Data mining : concepts and techniques. Morgan Kaufmann.    
  • Ester, Martin; Sander, Jörg (2000): Knowledge Discovery in Databases: Techniken und Anwendungen. Springer-Verlag.   
  • Kelleher, John D.; Mac Namee, Brian; D‘Arcy, Aoife. (2020): Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, Worked Examples, and Case Studies. MIT Press,
  • Vogel, Jürgen (2015): Prognose von Zeitreihen. Eine Einführung für Wirtschaftswissenschaftler. Springer Gabler.

Praktikum Machine Learning 2

Art Praktikum
Nr. EMI915
SWS 2.0
Lerninhalt

Vertiefung der Lerninhalte aus der Vorlesung durch individuelle praktische Übungen in den Bereichen

  • Clustering
  • Association Mining
  • Zeitreihenanalyse
  • Python-Visualisierungslibraries
  • Anwenden von Python-Bibliotheken und weiteren Frameworks und Tools zu Machine Learning

 

 
Literatur

Géron, Aurélien (2022): Hands-on machine learning with Scikit-Learn,  Keras, and TensorFlow. Third edition. O'Reilly Media, Inc.

Raschka, Sebastian; Mirjalili, Vahid (2019): Python Machine Learning. Third Edition. Packt Publishing.

 
←  Zurück