Angewandte Künstliche Intelligenz (AKI)

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

Modulhandbuch

←  Zurück 

Machine Learning 1

Empfohlene Vorkenntnisse

Programmieren 1 (Python), Einführung in die Künstliche Intelligenz, Visual Analytics, Mathematik 1
Lehrform Vorlesung/Labor
Lernziele / Kompetenzen

Die Studierenden kennen Begriffe des Machine Learnings, grundlegende  Methoden, Herausforderungen und Vorgehensweisen im Machine Learning.
Die  Studierenden sind nach Absolvierung des Moduls in der  Lage, eigenständig eine Datenanalyse von der Vorverarbeitung der Daten bis hin  zur Bewertung der Ergebnisse mit
Machine-Learning-Verfahren durchzuführen. Die Studierenden können ihre Lösungen erklären und das  Ergebnis bewerten. Sie kennen die unterschiedlichen Ebenen der Verzerrung und können beurteilen, ob Modelle bzw. Daten fair sind. 

Die Studierenden können mögliche Probleme bei allen Schritten der  Datenanalyse beurteilen und geeignete Lösungen auswählen. Die Grundlagen  und die praktische Anwendung der Tools sind bekannt. Die  Studierenden  sind in der Lage, passende Verfahren für gegebene  Machine-Learning-Problemstellungen auszuwählen, anzuwenden und ggf.  anzupassen. Die wesentlichen Vor- und Nachteile der Verfahren und  Vorgehensweisen werden problemspezifisch bewertet.
Dauer 1
SWS 6.0
Aufwand
Lehrveranstaltung 90
Selbststudium / Gruppenarbeit: 120
Workload 210
ECTS 7.0
Voraussetzungen für die Vergabe von LP

Modulprüfung für "Machine Learning 1" (K90) "Praktikum Machine Learning 1" muss "m.E." attestiert sein.
Modulverantwortlicher

Prof. Dr. Daniela Oelke
Max. Teilnehmer 41
Empf. Semester 2
Haeufigkeit jedes Jahr (SS)
Verwendbarkeit

Bachelor-Studiengang AKI
Veranstaltungen

Machine Learning 1

Art Vorlesung
Nr. EMI908
SWS 4.0
Lerninhalt

Die LV umfasst folgende Lerninhalte:

  • Definition von Machine Learning
  • Arten des Machine Learning (Supervised und Unsupervised Machine Learning, Reinforcement Learning)
  • Vorgehensprozesse in Machine Learning Projekten
  • Machine Learning for Business
  • Evaluation von Machine Learning Algorithmen, Metriken und Gütemaße, Wirtschaftlichkeitsberechnungen
  • Over- und Underfitting, Bias/Variance
  • Strategien zur Datenaufteilung für Training (Cross Validation, Hold-Out, Bootstrapping)
  • Datenvorverarbeitung
  • Feature Selection
  • Lineare Regression und Logistische Regression
  • Klassifikation (Entscheidungsbäume, Random Forests, Naive Bayes, k-Nächste Nachbarn, Support Vector Machines)
  • Ensemble Learning (Bagging und Boosting)
  • Dimensionsreduktionsverfahren
  • Machine Learning Bibliotheken in Python Fallstudien
Literatur
  • 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,
  • Han, Jiawei; Kamber, Micheline (2012): Data mining : concepts and techniques. Morgan Kaufmann.
  • Haneke, Uwe; Trahasch, Stephan; Zimmer, Michael; Felden, Carsten (Hg.) (2018): Data Science. Heidelberg: dpunkt.verlag GmbH.
  • Ester, Martin; Sander, Jörg (2000): Knowledge Discovery in Databases: Techniken und Anwendungen. Springer-Verlag.

 

 

 

Praktikum Machine Learning 1

Art Praktikum
Nr. EMI909
SWS 2.0
Lerninhalt

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

  • Datenvorverarbeitung
  • Regression
  • Klassifikation
  • Evaluation von unterschiedlichen Verfahren
  • Anwenden von Python-Bibliotheken zu Machine Learning
  • Numpy, Pandas
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